深度自编码器与 NCA 降维技术结合 KNN、ENN 及 SVM 分类器的性能分析
机器学习
2020-12-23 v3
摘要
本文的核心目标是在 Matlab 中实现深度自编码器（Deep Autoencoder）与邻域成分分析（Neighborhood Components Analysis, NCA）降维方法，并观察这些算法在来自 UCI 机器学习仓库的九个不同数据集上的应用。这些数据集为 CNAE9、Movement Libras、Pima Indians diabetes、Parkinsons、Knowledge、Segmentation、Seeds、Mammographic Masses 和 Ionosphere。首先，利用深度自编码器与 NCA 降维技术，通过筛选并提取最相关和适当的特征或属性，将这些数据集的维度降至原始维度的一半。随后，采用 K 近邻（K-Nearest Neighbors, KNN）、扩展近邻（Extended Nearest Neighbors, ENN）和支持向量机（Support Vector Machine, SVM）分类算法对每个数据集进行分类。所有分类算法均在 Matlab 环境中开发。在每次分类中，训练与测试数据比例始终设为 90%:10%。分类后，观察并分析准确率之间的差异，以探明每种降维技术与各分类器的兼容程度，并评估各分类器在每个数据集上的性能。
引用
@article{arxiv.1912.05912,
title = {Performance Analysis of Deep Autoencoder and NCA Dimensionality Reduction Techniques with KNN, ENN and SVM Classifiers},
author = {Md. Abu Bakr Siddique and Shadman Sakib and Md. Abdur Rahman},
journal= {arXiv preprint arXiv:1912.05912},
year = {2020}
}
备注
2nd International Conference on Innovation in Engineering and Technology (ICIET)