基于K近鄰的分類算法研究.pdf

1、數(shù)據(jù)挖掘是機器學習領(lǐng)域內(nèi)廣泛研究的知識領(lǐng)域，是將人工智能技術(shù)和數(shù)據(jù)庫技術(shù)緊密結(jié)合，讓計算機幫助人們從龐大的數(shù)據(jù)中智能地、自動地提取出有價值的知識模式，以滿足人們不同應(yīng)用的需要。K近鄰算法(KNN)是基于統(tǒng)計的分類方法，是數(shù)據(jù)挖掘分類算法中比較常用的一種方法。該算法具有直觀、無需先驗統(tǒng)計知識、無師學習等特點，目前已經(jīng)成為數(shù)據(jù)挖掘技術(shù)的理論和應(yīng)用研究方法之一。
　　 本文主要研究了K近鄰分類算法。首先簡要地介紹了數(shù)據(jù)挖掘中的各種分類

2、算法，詳細地闡述了K近鄰算法的基本原理和應(yīng)用領(lǐng)域，其次指出了K近鄰算法的計算速度慢、分類準確度不高的原因，提出了兩種新的改進方法。針對K近鄰算法的計算量大的缺陷，構(gòu)建了聚類算法與K近鄰算法相結(jié)合的一種方法。將聚類中的K-均值和分類中的K近鄰算法有機結(jié)合。有效地提高了分類算法的速度。針對分類準確度的問題，提出了一種新的距離權(quán)重設(shè)定方法。傳統(tǒng)的KNN算法一般采用歐式距離公式度量兩樣本間的距離。由于在實際樣本數(shù)據(jù)集合中每一個屬性對樣本的貢獻作