样本裁剪相关论文
形形色色的信息汇聚成浩瀚的数据海洋,如何快速对数据进行准确的分类并从中提取出有用的信息已经成为人们面临的一大现实问题,因此......
针对最小二乘支持向量机对训练样本内噪声比较敏感和其稀疏性差的问题,提出基于密度k-近邻向量的训练样本裁剪算法.对训练样本的各......
针对SVM中当训练样本数非常多时,分类算法训练阶段的计算量庞大;当训练样本集中存在噪声时,影响训练阶段超平面划分的准确度,导致......
文本分类技术是文本挖掘技术中的研究热点之一,但是传统KNN分类算法的时间复杂度高,在不均匀密度样本下分类准确率低.针对这些问题......
经典KNN算法在处理高维数据或样本数繁多的样本集时需要巨大的计算量,这使其在实际应用的过程中存在着一定的局限性;提出一种基于......
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......
针对KNN算法在分类时的样本相似度计算开销大，在处理不均衡数据集时少数类分类误差大的问题，提出一种在不均衡数据集下基于密度的训......
在文本分类中,训练集的分布状态会直接影响k-近邻（kNN）分类器的效率和准确率。通过分析基于密度的kNN文本分类器训练样本的裁剪方法,......
为有效提高传统KNN算法(K最近邻算法)在海量数据的分类效率,分析传统KNN算法的分类过程,提出基于K-Medoids聚类的改进KNN算法。利......
期刊
K最近邻算法（KNN）在分类时，需要计算待分类样本与训练样本集中每个样本之间的相似度。当训练样本过多时，计算代价大，分类效率降低。因此......
作为数据挖掘领域十大算法之一,k-近邻算法(KNN)因具有非参数、无需训练时间、简单有效等特点而得到广泛应用。然而,KNN算法在面对......
