kNN分類算法研究及其在中毒診斷中的應(yīng)用.pdf

1、數(shù)據(jù)分類技術(shù)是一種強(qiáng)有力的分析手段，它旨在生成一個(gè)分類函數(shù)或分類模型，由該模型把數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)映射到某一給定類別中?，F(xiàn)有的數(shù)據(jù)分類算法大體可以劃分為兩大類：積極學(xué)習(xí)方法與消極學(xué)習(xí)方法。其中消極學(xué)習(xí)型中應(yīng)用最廣泛的是最近鄰分類算法。由于消極方法使用很多不同的局部線性函數(shù)來(lái)形成對(duì)目標(biāo)函數(shù)隱含的全局逼近，具有比積極方法更豐富的假設(shè)空間。因此對(duì)消極方法及其應(yīng)用的研究是一個(gè)非常重要的課題。 本文首先分析了K近鄰(kNN)算法的理論基礎(chǔ)及

2、實(shí)現(xiàn)方法，然后分析了kNN算法的相關(guān)特征，包括kNN算法的計(jì)算復(fù)雜度、分類精確度及存儲(chǔ)開銷等問(wèn)題。 針對(duì)最近鄰算法在數(shù)據(jù)分類中存在的問(wèn)題，本文提出一種預(yù)聚類處理的加權(quán)kNN分類算法模型，即通過(guò)對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理，分析訓(xùn)練數(shù)據(jù)集的特征，對(duì)其進(jìn)行聚類處理并建立分類模型。實(shí)驗(yàn)證明，新的算法不僅能有效縮減原kNN算法在分類過(guò)程中的計(jì)算開銷，而且能夠自動(dòng)確定最佳的k值，且分類精確度較經(jīng)典的kNN算法有所提高。 為了滿足中毒分類

3、系統(tǒng)的需要，本文基于P-tree數(shù)據(jù)結(jié)構(gòu)提出了一種改進(jìn)的P-treeskNN分類算法。算法根據(jù)不同臨床中毒表現(xiàn)對(duì)應(yīng)不同毒物的權(quán)值向量構(gòu)成“中毒表現(xiàn)加權(quán)向量表”，并將它作為訓(xùn)練數(shù)據(jù)集的屬性值；構(gòu)建中毒表現(xiàn)加權(quán)向量表的P樹，并選擇HOBBit距離作為距離度量標(biāo)準(zhǔn)，運(yùn)用P-treeskNN分類算法進(jìn)行毒物分類。運(yùn)用醫(yī)學(xué)臨床毒物數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)后得到的實(shí)驗(yàn)結(jié)果表明該算法能夠取得令人滿意的分類精確度。 基于相關(guān)的算法，并結(jié)合中毒診