10.3969/j.issn.1000-3428.2018.04.040
基于Hubness与类加权的k最近邻分类算法
针对高维不平衡数据中维数灾难和类不平衡分布问题,提出一种改进k最近邻(kNN)分类算法HWNN.将样本的k发生分布作为其在预测时对各个类的支持度,以此减少高维数据中hubs对kNN分类带来的潜在负面影响.通过类加权的方式增加少数类在所有样本k发生中的分布比例,以提升对少数类样本的预测精度.在16个不平衡UCI数据集上的实验结果表明,该算法在高维不平衡数据中的分类结果优于典型kNN方法,且在普通维度的不平衡数据中优势同样明显.
Hubness现象、高维不平衡数据、维数灾难、数据分类、k发生、k最近邻分类
44
TP181(自动化基础理论)
2018-11-23(万方平台首次上网日期,不代表论文的发表时间)
共6页
248-252,261