Clustering-basert k-nærmeste nabo klassifikasjon for stor-skala data med nevrale koder for representasjon

Mens du står som en av de mest ansett og vellykket veiledet klassifisering algoritmer, k-nærmeste Nabo (kNN) classifier generelt viser en dårlig effektivitet grunn til å være et eksempel-basert metode., I denne forstand, Oppnå Likhet Søk (ASS) står som et mulig alternativ for å forbedre de effektivitet problemer på bekostning av typisk senke ytelsen av classifier. I dette notatet tar vi som første punkt et ESEL strategi basert på klynger. Vi så forbedre ytelsen ved å løse problemer knyttet til forekomster ligger nær klyngen grenser ved å utvide deres størrelse og vurderer bruk av Dype Nevrale Nettverk for læring en passende representasjon for klassifisering oppgave på problemet., Resultatene ved hjelp av en samling av åtte ulike datasett viser at en kombinert bruk av disse to strategiene innebærer en betydelig forbedring av nøyaktigheten ytelse, med en betydelig reduksjon i antall avstander trengs for å klassifisere et eksempel i forhold til grunnleggende kNN regelen.

Legg igjen en kommentar

Din e-postadresse vil ikke bli publisert. Obligatoriske felt er merket med *