الگوریتم K-نزدیکترین همسایه اصلاح شده برای طبقه بندی داده ها

داده کاوی فرآیند مدیریت اطلاعات از یک پایگاه داده است که به طور مستقیم نامرئی است. این مقاله یک روش طبقه بندی جدید به نام همسایه K - نزدیک ترین اصلاح شده ( MKNN) را پیشنهاد می کند، که عملکرد الگوریتم همسایه K - نزدیک ترین ( KNN) را با استفاده از همسایه های قوی در داده های آموزشی افزایش می دهد. ایده اصلی MKNN طبقه بندی نمونه های آزمایشی با توجه به برچسب های همسایه آن ها است که مشابه الگوریتم سنتی KNN است. با این حال، MKNN نوعی KNN وزن دار است که در آن وزن ها با استفاده از یک روش متفاوت تعیین می شوند. این روش کسر همسایه های برچسب گذاری شده یک سان را به تعداد کل همسایه ها محاسبه می کند. پیش بینی می شود که داده کاوی در دهه آینده به یک شاخه بسیار انقلابی از علم تبدیل شود. یکی از تکنیک های داده کاوی طبقه بندی است. محبوب ترین تکنیک طبقه بندی (KNN) است. اما الگوریتم طبقه بندی (MKNN) نیز وجود دارد که الگوریتم مشتق شده از KNN است. در این مقاله مقایسه الگوریتم های KNN و MKNN را برای طبقه بندی داده های واحد پیاده سازی تحلیل می کنیم. نمونه های داده و داده های آزمایشی برای آزمایش KNN و MKNN برای طبقه بندی و نتایج طبقه بندی را بر اساس قواعد ماتریس سردرگمی ، تولید می کنیم.

کلیدواژه ها:

K اصلاح شده نزدیکترین همسایه ، پیاده سازی ، ماتریس سردرگمی ، طبقه بندی ، داده کاوی