返回
Data-driven KNN modeling via optimized weighted distance learning
DOI:10.1016/j.asoc.2026.115811.png)
摘要
En 中文
• 基于数据驱动的KNN框架,具有特征级和邻居级权重的自适应距离学习。• 线性化近似得到用于自适应特征权重估计的可解线性规划。• 理论分析建立了关键距离属性和Fisher一致性。• 实验表明,在模拟和真实数据集上均表现出竞争性和稳定性。
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
Generalized least squares, Taylor series linearization, and Fisher's scoring in multivariate nonlinear regression多元非线性回归中的广义最小二乘,泰勒级数线性化和Fisher评分
Category tree Gaussian process for computer experiments with many-category qualitative factors and application to cooling system design多类别定性因素计算机试验的类别树高斯过程及其在冷却系统设计中的应用
Effective k-nearest neighbor models for data classification enhancement有效的k近邻模型用于数据分类增强
JOURNAL OF BIG DATA
IF6.4

