一种使用局部调和平均距离的新型伪最近邻分类方法
机器学习
2024-05-29 v2
摘要
在机器学习领域，KNN分类算法因其简单高效而广受认可。然而，它对K值的敏感性带来了挑战，尤其是在样本量小或存在离群点时，会影响分类性能。本文介绍了一种名为LMPHNN（使用局部调和平均距离的新型伪最近邻分类方法）的基于KNN的新型分类器。LMPHNN基于LMPNN规则和调和平均距离(HMD)，利用HMD来提高分类性能。该分类器首先为每个类别识别k个最近邻，并生成独特的局部向量作为原型。然后，通过比较样本与初始k组的HMD，为每个类别创建基于局部均值的伪最近邻(PNN)。分类是通过计算查询样本与基于这些类别局部均值的PNN之间的欧氏距离来确定的。在各种真实的UCI数据集和组合数据集上进行的大量实验，使用精确率、召回率、准确率和F1值作为评估指标，将LMPHNN与七种基于KNN的分类器进行了比较。LMPHNN的平均精确率达到97%，超过其他方法14%。平均召回率提高了12%，平均准确率提高了5%。此外，LMPHNN的平均F1值比其他方法高13%。总之，LMPHNN优于其他分类器，表现出对小样本量较低的敏感性。
引用
@article{arxiv.2405.06238,
title = {A Novel Pseudo Nearest Neighbor Classification Method Using Local Harmonic Mean Distance},
author = {Junzhuo Chen and Zhixin Lu and Shitong Kang},
journal= {arXiv preprint arXiv:2405.06238},
year = {2024}
}