.png){kind=icon}
返回
Random k conditional nearest neighbor for high-dimensional data
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.2497.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
k近邻（kNN）方法是一种简单有效的分类算法，已有多种基于kNN算法的变体被提出。kNN的一个局限性在于，当数据包含许多噪声特征时，由于这些特征在计算距离时具有非信息性影响，该方法可能效果不佳。此外，在高维数据中，从最近邻中获取的信息可能意义不大。为解决基于最近邻的方法在高维数据中的局限性，我们提出扩展k条件近邻（kCNN）方法，这是一种有效的kNN变体。所提方法聚合多个kCNN分类器，每个分类器均由随机采样的特征子集构建。我们还开发了一种评分指标，根据特征子集的分离程度为单个分类器赋权。我们通过模拟研究了所提方法的性质。此外，基因表达数据集上的实验表明，所提方法在预测分类性能方面具有前景。
Keyword:
K nearest neighbor
High-dimensional data
Nonparametric classification
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
A study of the effect of different types of noise on the precision of supervised learning techniquesOAAI
OAAI分享收藏
Voting over multiple k-NN classifiers对多个k-NN分类器进行投票.png)
Modern Problems of Radio Engineering, Telecommunications and Computer Science (IEEE Cat. No.02EX542)
Modern Problems of Radio Engineering, Telecommunications and Computer Science (IEEE Cat. No.02EX542)IF0
PREAI
分享收藏
查看更多内容