利用Hassanat距离度量提升最近邻分类器性能
机器学习
2015-01-06 v1
摘要
我们在本工作中展示了Hassanat距离度量如何提升最近邻分类器的性能。结果表明，该距离度量优于传统和最常用的距离（如曼哈顿距离（Manhattan distance）和Euclidian距离）。此外，我们证明了Hassanat距离度量对数据尺度、噪声和离群点具有不变性。在整个工作中可以明显注意到，ENN和IINC在使用所研究的距离时均表现良好，其准确率分别显著提高了3.3%和3.1%，且在准确率方面ENN相对于IINC无显著优势。相应地，从我们的结果可以看出，不存在能够完美解决所有实际问题的最优算法；这得到了无免费午餐定理（no-free-lunch theorem）的支持。
引用
@article{arxiv.1501.00687,
title = {On Enhancing The Performance Of Nearest Neighbour Classifiers Using Hassanat Distance Metric},
author = {Mouhammd Alkasassbeh and Ghada A. Altarawneh and Ahmad B. A. Hassanat},
journal= {arXiv preprint arXiv:1501.00687},
year = {2015}
}
备注
Canadian Journal of Pure and Applied Sciences (CJPAS). volume 9, issue 1, Feb 2015