资料下载
×
面向K近邻分类性能的遗传训练集优化算法
消耗积分:0 |
格式:rar |
大小:2.27 MB |
2021-05-13
分享资料个
K近邻的分类性能依赖于训练集的质量。设计高效的训练集优化算法具有重要意义。针对传统的进仳训练集优化算法效率较低、误删率较高的不足，提岀了一种遗传训练集优化算法。该算法采用基于最大汉明距离的高效遗传算法，毎次交又保留父代并生成两个新的具有最大汉明距离的子代，既提高了效率，又保证了种群多样性。该算法将局部的噪声样本删除策略与特征选择策略相结合。首先使用决策树算法确定噪声样本存在的范围，然后使用遗传算法精准删除此范围内的噪声样本和全局的噪声特征，降低了误删率，提高了效率。该算法采用基于最近邻规则的验证集选择策略，进一步提髙了遗传算法实例选择和特征选择的准确度。在15个标准数据集上，该方法相较于协冋进化实例特征选择算法 IFS COCO、加权协冋进仳实例特征选择算法（IW-NN、进化特征选择算法 EIS-RFS、进化实例选择算法PSNN、K近邻算法KNN，在分类精度上分别平均提升了2.18%，2.06%，5.61%，4.06%和4.00%。实验结果表明，所提方法的分类精度和优化效率优于当前的进化训练集优化算法。
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
