بهبود صحت طبقه بندی الگوریتم طبقه بندی k هارمونیک نزدیک ترین همسایه مبتنی بر بردارهای متوسط محلی چندتایی با بهینه سازی وزن بهینه ویژگی های داده

یکی از ساده ترین و محبوب ترین تکنیک های طبقه بندی، الگوریتم knn میباشد که دارای مشکلاتی از قبیل حساس بودن به داده های پرت و پارامتر اندازه همسایگی، یکسان فرض نمودن وزن ویژگی های داده و وزن همسایه ها در مرحله رای گیری می باشد. اخیرا تکنیک طبقه بندی K هارمونیک نزدیک ترین همسایگی مبتنی بر بردارهای متوسط محلی چندتایی MLM-KHNN ارائه شده است که قادر به بهبود چالش های knn بجز چالش یکسان فرض نمودن ویژگی داده می باشد. لذا در این مقاله پیشنهاد استفاده از روش متاهیوریستیک جایا مبتنی بر چندین راه حل بهینه برای تغییر رفتار طبقه بند MLM-KHNN بگونه ای که قابلیت تنظیم اهمیت ویژگی های داده را ارائه دهد، مطرح می شود. در این صورت با توجه به توزیع پیچیده و پراکندگی غیریکنواخت داده ها، با اعمال وزن های متفاوت برای ویژگی های هر کلاس از داده موجب افزایش دقت طبقه بندی MLM-KHNN در داده های با بعد پایین می گردد. همچنینبا اعمال روش جایا مبتنی بر مجموعه راف به عنوان گام پیش پردازشی، کاربرد روش پیشنهادی در داده های با بعد بالا مورد تست قرار گرفت. آزمایشات انجام شده بر روی پایگاه داده های UCI نشان از بهبود روش پیشنهادی دارد.

Keywords:

و K نزدیک ترین همسایگی , K هارمونیک نزدیک ترین همسایگی مبتنی بر بردارهای متوسط محلی چندتایی , الگوریتم جایا بهبود یافته , وزن دهی ویژگی , افزایش دقت طبقه بندی