Sample Reduction Algorithm Based on Classification Contribution

doi:10.21203/rs.3.rs-1780707/v1

Sample Reduction Algorithm Based on Classification Contribution

2022-07-05

0

OA

AI

DOI：10.21203/rs.3.rs-1780707/v1

原文链接

原文求助

摘要

En 中文

摘要针对KNN算法在处理包含大量样本的数据集时所需时间呈指数增长以及分类性能低下的缺点，本文提出了一种基于分类贡献排序的样本缩减方法（SRCCR），该方法不仅能大幅降低存储需求和执行时间，还能显著提升KNN算法的分类效果。首先，SRCCR对初始训练集进行去噪处理，通过移除数据集中的噪声点来适度扩展平滑决策边界；其次，根据分类贡献策略对去噪后的样本按升序排序，评分越低的样本越接近类别边界，评分越高的样本越接近同类样本的中心；最后，采用基于局部集合的选择过程选取一定数量的代表性边界样本和少量中心样本，形成最终子集。尽管边界样本对分类精度贡献最大，但适当保留中心样本能显著提升分类效果。为验证所提出方法的有效性，我们在UCI和KEEL数据库的24个真实数据集上进行了对比实验。与几种经典实例选择算法相比，所提出的SRCCR算法在准确率和简化率方面具有明显优势。在二维数据集`Banana'上的结果表明，SRCCR算法不仅能选择更多代表性的边界点和中心点，还能在很大程度上保留原始数据集的分布特征。

Sample Reduction Algorithm Based on Classification Contribution

摘要

期刊

机构

引用论文