利用空间抽象加速原型选择

工业与社会日益增长的数字化导致可供处理和利用的数据日益丰富。然而，海量数据需要消耗大量的计算资源才能应用机器学习方法。原型选择技术已被用于降低这些方法所需的计算资源要求。本文提出了一种加速现有原型选择技术的方法。该方法利用空间划分的概念构建数据集的抽象表示。第二步利用该抽象表示高效地修剪搜索空间并选择一组候选原型。随后，可将一些传统的原型选择算法应用于由本方法选出的候选集。我们将该方法与五种传统的原型选择算法相结合，并在14个广泛使用的分类任务数据集上进行了测试。从准确率和缩减率两方面，将修改后算法的性能与其原始版本进行了比较。实验结果表明，总体而言，我们提出的方法在保持准确率的同时，提高了原始原型选择算法的缩减率，并同时缩短了其执行时间。