بهبود دسته بندی کننده ی KNN به وسیله ی وزن دهی به روش نایوبیز

تاکنون الگوریتم های بسیاری مطابق با انواع داده ای مختلف از لحاظ ابعاد، تعداد و ماهیت جهت دسته بندی ارایه گردیده است. در اینمقاله سعی شده است با ترکیب و به کارگیری چند روش و الگوریتم مختلف به دقتی بالاتر نسبت به روشهای سنتی در زمینه ی دسته بندی داده هارسید. ازآنجاکه روشهای K نزدیکترین همسایه (KNN) و نایو بیز به عنوان حالتی خاص از قاعده ی بیز، الگوریتم هایی موثر و پرکاربرد در دسته بندیو خوشه بندی داده ها هستند، در این مقاله سعی شده که از آنها استفاده شود. بدین ترتیب که با استفاده از روش KNN داده های مشابه به نمونه یورودی انتخاب و سپس با استفاده از کرنل توابع پایه ای شعاعی (RBF) توزیع هر ویژگی برروی هر کلاس به دست آید، سپس به وسیله ی روش نایوبیز، احتمال های به دست آمده برای هر ویژگی از داده ی ورودی بر روی توزیع ها ترکیب و آن را به عنوان وزنی برای میزان تاثیر اعضای آن کلاس درروش KNN درنظر می گیریم. آزمایشات برروی سه مجموعه داده معروف Wine, Iris و Glass به روش یکی به کنار انجام شده است و به ترتیب بهدقت 96 درصد، 95 درصد و 75 درصد در دسته بندی آنها رسیده ایم که در هر سه مورد شاهد بهبود نتایج نسبت به روش KNN سنتی می باشیم.

کلیدواژه ها:

، K نزدیکترین همسایه (KNN) ، قواعد بیز ، نایوبیز ، توابع پایه ای شعاعی (RBF)