بهینه سازی الگوریتم نزدیک ترین همسایه در مسایل داده های نامتوازن بر اساس وزن دهی پویا

الگوریتم نزدیک ترین همسایه به علت سادگی و کارایی یکی از قدرتمندترین کلاس بندها می باشد. با این وجود عملکرد ضعیفی بر روی کلاس اقلیت در مسایل داده های نامتوازن دارد. هدف این مقاله ارایه روشی برای بهبود عملکرد الگوریتم نزدیک ترین همسایه در این مسایل می باشد. از این رو، یک روش وزن دهی پویا به نمونه ها پیشنهاد شده است بطوریکه وزن دهی را بصورت پویا و براساس نمونه آزمایش انجام می دهد. وزن دهی توسط یک تابع وزن پیشنهاد شده انجام می شود که انعطاف پذیری بالایی در وزن دهی دارد. برای افزایش سرعت و عملکرد الگوریتم نزدیک ترین همسایه، از یک مجموعه کاهش یافته از نمونه ها به عنوان نماینده استفاده شده است. . تابع هدف بصورت تخمینی مشتق پذیر از معیار G-Mean می باشد. از روش گرادیان صعودی برای یادگیری پارامترهای تابع وزن و مکان نماینده ها استفاده شده بطوریکه کارایی کلاس بند الگوریتم نزدیک ترین همسایه بیشینه شود. نتایج حاصله از آزمایش ها نشان از برتری روش پیشنهادی در برابر سایر روش های مرتبط در این زمینه دارد.

کلیدواژه ها:

وزن دهی پویا ، الگوریتم نزدیک ترین همسایه ، مجموعه داده های نامتوازن