ورود
مقالات فارسیISIکنفرانسهاژورنالها

بهبود عملکرد الگوریتم KNN با استفاده از الگوریتم فرا ابتکاری PSO

محل انتشار: مجله رایانش نرم و فناوری اطلاعات، دوره: 10، شماره: 1
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 39

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/2100533

شناسه ملی سند علمی:

JR_JSCIT-10-1_005

تاریخ نمایه سازی: 25 مهر 1403

چکیده مقاله:

الگوریتم KNN یکی از مهم ترین الگوریتم های نا پارامتری است و جزء روش های اثربخش دسته بندی محسوب می شود. سازوکار این الگوریتم برای تعیین دسته نمونه جدید، مبتنی بر محاسبه فاصله نمونه جدید تا سایر نمونه هاست. زمانی که پایگاه داده شامل صفات غیر عددی (رتبه ای و اسمی) باشد، نحوه محاسبه فاصله می تواند بر کارآیی الگوریتم اثرگذار باشد. در این مقاله روشی برای محاسبه فاصله ارائه شده است که می تواند کارآیی الگوریتم KNN را بهبود دهد. ایده ارائه شده در این پژوهش مبتنی بر محاسبه فاصله پویاست. منظور از فاصله پویا، فاصله ای است که بین هر دو مقدار از یک صفت غیر عددی تعریف می شود و به ماهیت مسئله بستگی دارد. نحوه تعیین این فاصله پویا در قالب یک مسئله بهینه سازی بیان شده است که در درون ساختار الگوریتم KNN تعبیه شده و با استفاده از الگوریتم بهینه سازی انبوه ذرات حل می شود. برای آزمایش کارآیی الگوریتم پیشنهادی از مجموعه داده های UCI استفاده شده است. نتایج نشان می دهد میزان بهبود صحت حداقل %۳.۶ و حداکثر %۳۲.۷ است.

کلیدواژه ها:

"نزدیک ترین همسایه" ، " فاصله پویا" ، "الگوریتم بهینه سازی انبوه ذرات" ، " صفات غیر عددی (اسمی و رتبه ای)"

نویسندگان

ahmad hajimoradi

گروه مدیریت صنعتی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد

alireza Naser Sadrabadi

یزد، بلوار دانش، دانشگاه یزد، دانشکده اقتصاد، مدیریت و حسابداری ، کد پستی: ۸۹۱۵۸

Seyed Mahmood Znjirchi

بلوار دانش، دانشگاه یزد، دانشکده اقتصاد، مدیریت و حسابداری

Habib Zare Ahmad Abadi

یزد، بلوار دانش، دانشگاه یزد، دانشکده اقتصاد، مدیریت و حسابداری

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • X. V. Wu, "The top ten algorithm in data mining," ...
  • E. J. J. L. Fix, "Discriminatory analysis-nonparametric discrimination: consistency properties," ...
  • T. P. Cover, "Nearest neighbor pattern classification," IEEE transactions on ...
  • A. N. Y. Papadopoulos, Nearest Neighbor Search: A Database Perspective, ...
  • D. T. Larose, Discovering knowledge in data: an introduction to ...
  • K. G. Q. L. J. Z. J. X. W. M. ...
  • M. P.-N. Steinbach, "kNN: k-nearest neighbors," in The top ten ...
  • Y. Lin, J. Li, M. Lin and J. Chen, "A ...
  • S. V. V. Boriah, "Similarity measures for categorical data: A ...
  • Z. H. Šulc, "Comparison of Similarity Measures for Categorical Data ...
  • S. D. Z. Z. Luo, "Non-Numerical Nearest Neighbor Classifiers with ...
  • A. H. V. Desai, "Disc: Data-intensive similarity measure for categorical ...
  • L. Y. G. J. Chen, "Kernel-based linear classification on categorical ...
  • D. Z. Z. Luo, "Non-Numerical Nearest Neighbor Classifiers with Value-Object ...
  • L. G. Chen, "Nearest neighbor classification of categorical data by ...
  • J. P. G. C. Domeniconi, "Locally adaptive metric nearest-neighbor classification," ...
  • M. S. A. K. M. R. M. K. R. M. ...
  • J. Hocke and T. Martinetz, "Feature weighting by maximum distance ...
  • M. R. H. M. M. B. J. R. K. Hassan, ...
  • K. U. E. B. O. S. Syaliman, "Improving the accuracy ...
  • G. D. Tutz, "Improved nearest neighbor classifiers by weighting and ...
  • J. H. W. S. Y. H. Gou, "A generalized mean ...
  • D. Delen, Real-world data mining: applied business analytics and decision ...
  • A. Fargus, Optimisation of Correlation Matrix Memory Prognostic and Diagnostic ...
  • P. Zerzucha and B. Walczak, "Concept of (dis) similarity in ...
  • J. Han, J. Pei and M. Kamber, Data mining: concepts ...
  • T. J. T. R. J. J. H. Hastie, The elements ...
  • R. J. Eberhart, "A new optimizer using particle swarm theory," ...
  • M. R. N. E. A. Imran, "An Overview of Particle ...
  • K. Kameyama, "Particle Swarm Optimization - A Survey," IEICE Transactions ...
  • W. F. A. A.-S. M. A. Abd-El-Wahed, "Integrating particle swarm ...
  • A. S. K. H. C. Ratnaweera, "Self-organizing hierarchical particle swarm ...
  • F. T. Provost, Data Science for Business: What you need ...
  • N. L. A. S. Z. Z. N. E. A. Ghani, ...
    • نمایش کامل مراجع