一种并行的改进K-近邻分类方法
针对传统K-近邻(K-Nearest Neighbor, K-NN)分类方法不能高校处理大规模训练数据的分类问题,该文提出一种并行的改进K-NN(Improved Parallel K-Nearest Neighbor, IPK-NN)分类方法。该方法首先将大规模训练样本随机划分为多个独立同分布的工作集,对于任意一个新来的待检测样本,在每个工作集上采用标准K-NN方法对该样本进行标记,然后综合各训练集的标记结果,得到该样本的最终标记。实验结果表明,在大规模数据集的分类问题中,IPK-NN方法能够在保持较高分类精度的同时提高模型的学习效率。
K-近邻分类、并行计算、并行K-近邻分类、工作集
TP18(自动化基础理论)
2014-05-26(万方平台首次上网日期,不代表论文的发表时间)
共4页
2825-2827,2844