资料下载
×
数据挖掘的改进k近邻高维分类算法综述
消耗积分:0 |
格式:pdf |
大小:1.82 MB |
2021-05-08
分享资料个
信息采集技术日益发展导致的高维、大规模教据，给据挖掘带来了巨大挑战，针对K近邻分类算法在高维数据分类中存在效率低、时间成本高的问题，提出基于权重搜索树改进K近邻（K- nearest neighbor algorithm based on weight search treeKNN-WST）的高维分类算法，该算法根据特征属性权重的大小，选取部分属性作为结点构建搜索树，通过搜索树将教据集划分为不同的矩阵区域，未知样本需查找搜索树获得最¨相似”矩阵区堿，仅与矩阵区琙中的欻据距离度量，从而降低数据规模，以减少时间复杂度。并研究和讨论最适合高维数据距离度量的闵弌距离。6个标准高维数据仿真实验表明，KN、WS‘算法对比K近邻分类算法、决策树和支持向量机（ support vector machine，SⅥM）算法，分类时间显著减少，同时分类准确率也优于其他算法，具有更好的性能，有望为解决高维数据相关问题提供一定参考。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
