10.3969/j.issn.1002-137X.2009.10.053
一种优化的k-NN文本分类算法
k-NN是经典的文本分类算法之一,在解决概念漂移问题上尤其具有优势,但其运行速度低下的缺点也非常严重,为此它通常借助特征选择降维方法来避免维度灾难、提高运行效率.但特征选择又会引起信息丢失等问题,不利于分类系统整体性能的提高.从文本向量的稀疏性特点出发,对传统的k-NN算法进行了诸多优化.优化算法简化了欧氏距离分类模型,大大降低了系统的运算开销,使运行效率有了质的提高.此外,优化算法还舍弃了特征选择预处理过程,从而可以完全避免因特征选择而引起的诸多不利问题,其分类性能也远远超出了普通k-NN.实验显示,优化算法在性能与效率双方面都有非常优秀的表现,它为传统的k-NN算法注入了新的活力,并可以在解决概念漂移等问题上发挥更大的作用.
文本分类、特征选择、k-NN分类法、概念漂移
36
TP181(自动化基础理论)
2009-12-08(万方平台首次上网日期,不代表论文的发表时间)
共5页
217-221