A Novel Adaptive K Nearest Neighbor Algorithm
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 899
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CBCONF01_0912
تاریخ نمایه سازی: 16 شهریور 1395
چکیده مقاله:
Classification is a broad ranging research field and different algorithms proposed in this area, one of which is K nearest neighbor (KNN) algorithm. This algorithm has a simple structure and easy implementation. Its performance depends on three main factors including similarity measure for voting, distance function and appropriate value for the parameter K among which the value of K is particularly significant, So that if it is not correctly selected, algorithm performance would remarkably reduce. We proposed a novel method for adaptive selection of parameter k in this paper. In this method, an optimal K-value for each training instance is obtained and used to classify a test instance by KNN algorithm. Evaluation tests on standard datasets and comparing obtained results with conventional methods show that the presented method has an acceptable performance compared to other methods and improves classification accuracy as well.
کلیدواژه ها:
K Nearest Neighbor Algorithm ، Adaptive KNN Algorithm ، Nearest Neighbor Classification ، Pattern Classification
نویسندگان
Hamid Nasiri
Computer Engineering and Information Technology Department Amirkabir University of Technology (Tehran Polytechnic)Tehran, Iran
Saeed Shiry Ghidary
Computer Engineering and Information Technology Department Amirkabir University of Technology (Tehran Polytechnic)Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :