طبقه بند مبتنی بر K نزدیکترین همسایه ها با استفاده از جمع وزن دار خطاهای بازسازی

در این مقاله، طبقه بندی مبتنی بر طبقه بند K نزدیکترین همسایه ها و خطای بازسازی، جهت دسته بندی داده ها معرفی شده است. در روش پیشنهادی، ابتدا K نزدیکترین داده (همسایه) به داده ی آزمون، از هر دسته موجود در داده های آموزش، محاسبه می گردد. سپس به بازسازی داده ی آزمون، بر حسب تعداد مختلفی از نزدیکترین همسایه ها (از یک تا K)، در هر دسته پرداخته شده و میزان خطای بازسازی به ازای هر تعداد همسایه به طور مجزا محاسبه می گردد. در گام بعد، در هر دسته، میزان خطا به صورت جمع وزندار خطای حاصل از تمامی بازسازی ها محاسبه می گردد. وزن خطای بازسازی، متناسب با تعداد همسایه های دخیل در آن در نظر گرفته شده است بدین ترتیب که خطای بازسازی در تعداد همسایه های آن ضرب می شود. در آخر، داده ی آزمون به دسته ای تعلق دارد که کمترین میزان خطای کل را دارا است. این عمل موجب می گردد تا ترکیبی از طبقه بندهای مبتنی بر K نزدیکترین همسایه به صورت هم افزایی در طبقه بندی داده ها نقش ایفا نمایند. در این مقاله از ۱۰ دسته مجموعه متعلق به پایگاه داده ی سری-زمانی UCR و پنج دسته-مجموعه متعلق به پایگاه داده ی دسته بندی UCI جهت ارزیابی روش پیشنهادی استفاده شده است. نتایج بدست آمده از این ارزیابی ها نشان می دهد که روش پیشنهادی، عملکرد طبقه بندهای KNN مبتنی بر کمترین خطای بازسازی را به میزان زیادی بهبود بخشیده و نرخ بازشناسی در برخی K ها را در حدود ۵ درصد بهتر نموده و متوسط نرخ بازشناسی به ازای تمامی Kها (از ۲ الی ۱۵) در حدود ۱.۶ درصد بهبود یافته است.

Keywords:

طبقه بند , نرخ تشخیص , K نزدیکترین همسایه , بازسازی خطی , جمع وزن دار