基于多代表点学习的RSKNN分类算法

摘要：

RSKNN 算法是一种基于变精度粗糙集理论的 k-近邻改进算法，该算法能够保证在一定分类精度的前提下，有效地降低分类的计算量，提高分类效率。但由于 RSKNN 算法只是简单地将每个类中的样本划分成一个核心和边界区域，并没有根据数据集本身的特点进行划分，因而存在极大的局限性。针对存在的问题，提出一种多代表点学习算法，运用结构风险最小化理论对影响分类模型期望风险的因素进行分析，并使用无监督的局部聚类算法学习优化代表点集合。在UCI公共数据集上的实验表明，该算法比RSKNN算法具有更高的分类精度。

关键词：近邻分类、变精度粗糙集、代表点、分类模型、上、下近似

分类号：TP3;O1

资助基金：国家自然科学基金61175123

在线出版日期：2014-12-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：92-98