扩展自然近邻：一种在不同阶段具有自适应邻域参数的新型分类方法
人工智能
2016-12-08 v1 机器学习
摘要
各种基于 k-最近邻（KNN）的分类方法是许多成熟且高性能模式识别技术的基础，但它们都容易受到参数选择的影响。本质上，挑战在于检测各种数据集的邻域，同时完全不了解数据的特征。本文介绍了一种新的监督分类方法：扩展自然近邻（ENaN）方法，并表明它无需人为选择邻域参数即可提供更好的分类结果。与需要先验 k 的原始 KNN 方法不同，ENaNE 方法在不同阶段预测不同的 k。因此，ENaNE 方法能够在训练阶段和测试阶段从灵活的邻域信息中学习更多，并提供更好的分类结果。
引用
@article{arxiv.1612.02310,
title = {Extend natural neighbor: a novel classification method with self-adaptive neighborhood parameters in different stages},
author = {Ji Feng and Qingsheng Zhu and Jinlong Huang and Lijun Yang},
journal= {arXiv preprint arXiv:1612.02310},
year = {2016}
}
备注
10 pages, 2 figures, 2 tables