基于反向学习的数据转换框架提升 KNN 分类器性能
机器学习
2025-04-28 v2 人工智能
摘要
本文提出一种基于反向学习（Opposition-Based Learning, OBL）的新型数据转换框架，用于提升传统分类算法的性能。最初 developed for 加速优化任务的收敛速度，OBL 在此被利用用于生成合成反向样本，以丰富训练数据并改进决策边界。我们探讨了三种 OBL 变体：全局 OBL、类别相关 OBL 和局部类别相关 OBL，并将其集成到 K 近邻（KNN）算法中。在 26 个异构且高维数据集上进行的大量实验表明，采用 OBL 改进的分类器始终优于基础 KNN。这些发现凸显了 OBL 作为一种轻量且强大的数据转换策略的潜力，尤其适用于复杂或稀疏学习环境。
引用
@article{arxiv.2504.16268,
title = {Boosting KNNClassifier Performance with Opposition-Based Data Transformation},
author = {Abdesslem Layeb},
journal= {arXiv preprint arXiv:2504.16268},
year = {2025}
}