最优扩展邻域规则的 k 近邻集成方法

传统的 k 近邻 (kNN) 方法在球形区域内使用距离公式来确定距测试样本点最近的 k 个训练观测。然而，当测试点位于该区域之外时，此方法可能表现不佳。此外，由于较高的分类误差，聚合多个基 kNN 学习器可能导致较差的集成性能。为解决这些问题，本文提出一种基于最优扩展邻域规则的新集成方法。该规则从距未知观测最近样本点开始，分 k 步确定邻域，并依次选择后续最近数据点，直至达到所需观测数。每个基模型构建于带有随机特征子集的自助样本上，并在构建足够数量模型后依据袋外性能筛选最优模型。所提集成在 17 个基准数据集上采用准确率、Cohen's kappa 和 Brier 分数 (BS) 与最先进方法进行比较。并通过在原始数据中加入人为构造特征来评估所提方法的性能。