基于區(qū)域劃分的改進KNN分類算法.pdf

1、數(shù)據(jù)分類是數(shù)據(jù)挖掘的重要組成部分，主要用來提取用于判定數(shù)據(jù)對象類型的模型。數(shù)據(jù)分類的目標是構(gòu)造一個分類器，來預(yù)測數(shù)據(jù)對象的類別。KNN是一種比較常用的分類算法，準確率高，原理簡單，實現(xiàn)起來方便，并且能夠?qū)ΤS數(shù)據(jù)空間建模。但是直接在訓(xùn)練集上使用KNN算法，計算量較大，并且隨著數(shù)據(jù)對象數(shù)量和維數(shù)的增加，計算量呈指數(shù)增長。
　　為了提高KNN算法的效率，針對不同的應(yīng)用場景，本文提出了基于超球區(qū)域劃分和基于超長方體區(qū)域劃分兩種不同的KN

2、N改進算法。在訓(xùn)練階段，根據(jù)訓(xùn)練樣本的分布情況，使用某種區(qū)域劃分方法將訓(xùn)練樣本空間劃分成若干個區(qū)域，并在劃分區(qū)域的基礎(chǔ)上構(gòu)造基于區(qū)域劃分的初級分類器；在測試分類階段，利用初級分類器確定待測樣本的新訓(xùn)練集，然后在新訓(xùn)練集上使用KNN算法確定待測樣本的類別。由于新訓(xùn)練集中樣本數(shù)量小于原始訓(xùn)練集中的樣本數(shù)量，因此測試分類階段KNN算法的計算量會大大下降。在基于超球區(qū)域劃分的改進算法中，使用模擬退火算法來控制初級分類器中超球的數(shù)量，從而降低算法