论文部分内容阅读
KNN算法在分类准确率和召回率方面具有较好的性能，但由于样本相似度计算开销大，导致分类效率低．针对此问题，本文提出一种基于密度的训练样本裁剪算法，对训练样本的各个样本类进行聚类，根据密度不同聚集成不同的簇，删除噪声数据并计算每个样本类的相似度阈值，然后将样本类内大于类相似度阈值的样本进行合并，以减少训练样本总数．实验表明，此样本裁剪算法能够在保持KNN算法分类性能基本稳定的前提下，实现各个样本类内高相似度样本的合并，减少分类计算开销．