资料下载
×
如何面向K最近邻分类的遗传实例来选择算法
消耗积分:0 |
格式:rar |
大小:1.04 MB |
2018-11-16
分享资料个
针对传统的实例选择算法会误删训练集中非噪声样本、算法效率低的不足，提出了一种面向K最近邻（KNN）的遗传实例选择算法。该算法采用基于决策树和遗传算法的二阶段筛选机制，先使用决策树确定噪声样本存在的范围;再使用遗传算法在该范围内精确删除噪声样本，可有效地降低误删率并提高效率，采用基于最近邻规则的验证集选择策略，进一步提高了遗传算法实例选择的准确度;最后引进基于均方误差（MSE）的分类精度惩罚函数来计算遗传算法中个体的适应度，提高有效性和稳定性。在20个数据集上，该方法相较于基于预分类的KNN（PRKN）、基于协同进化的实例特征选择算法（IFS-CoCo）K最近邻（KNN），在分类精度上的提升分别为0.07-26.9个百分点0.03~11.8个百分点.0.2~12.64个百分点，在AUC和Kappa的上的提升分别为0.25~18.32个百分点、1.27 ~23.29个百分点.0.04~12.82个百分点。实验结果表明，该方法相较于当前实例选择算法在分类精度和分类效率_上均具有优势。
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
