روش KNN برای طبقه بندی الگوهای بزرگتر تصویر و مقایسه ای از آن با روش درخت تصمیم

الگوی KNN یکی از بهترین و پرکاربردترین الگوریتم های دسته بندی است که از آن استفاده گسترده ای در کاربردهای مختلف می شود .دراین مقاله با استفاده از اقلام پر رخداد یکتایی در قوانین وابستگی به خصیصه های مختلف وزن اختصاص داده و با این عمل دقت الگوریتم KNN را افزایش می دهیم ، سپس مقیاس پذیری آن برای کار با دیتاست های بزرگتر بررسی می شود. مقایسه ی نتایج ارزیابی این الگوریتم با الگوریتم درخت تصمیم با معیارهای مختلف ، بهبود قابل توجه دقت دسته بندی توسط این الگوریتم را نشان می دهد. در این پژوهش بر روی داده های مربوط به الگوی تصاویر عملیات دسته بندی با استفاده از الگوریتم های KNN انجام شده است. بهترین دقت به دست آمده بر روی این داده ها کمی از 80% بیشتر بوده است. لذا هدف اصلی این است که تعداد زیادی از مستطیل های سیاه و سفیدی که با 26 حروف لاتین نشان داده شده است را شناسایی نمود. نتایج شبیه سازی نشان داد که بهترین الگوریتم با توجه به این نوع داده آموزشی الگوریتم KNN است که دارای بهترین دقت.accuracy: 84.48% است .

کلیدواژه ها:

، classification ، KNN ، Decision Tree ، الگوی تصویر ، جستجوی نزدیکترین همسایه ، داده کاوی