|
|
|
|
بهبود عملکرد الگوریتم knn با استفاده از الگوریتم فرا ابتکاری pso
|
|
|
|
|
|
|
|
نویسنده
|
حاجی مرادی احمد ,ناصرصدرآبادی علیرضا ,زنجیرچی محمود ,زارع احمدآبادی حبیب
|
|
منبع
|
رايانش نرم و فناوري اطلاعات - 1400 - دوره : 10 - شماره : 1 - صفحه:52 -62
|
|
چکیده
|
الگوریتم knn یکی از مهم‌ترین الگوریتم‌های نا پارامتری است و جزء روش‌های اثربخش دسته‌بندی محسوب می‌شود. سازوکار این الگوریتم برای تعیین دسته نمونه جدید، مبتنی بر محاسبه فاصله نمونه جدید تا سایر نمونه‌هاست. زمانی که پایگاه داده شامل صفات غیر عددی (رتبه‌ای و اسمی) باشد، نحوه محاسبه فاصله می‌تواند بر کارآیی الگوریتم اثرگذار باشد. در این مقاله روشی برای محاسبه فاصله ارائه‌شده است که می‌تواند کارآیی الگوریتم knn را بهبود دهد. ایده ارائه‌شده در این پژوهش مبتنی بر محاسبه فاصله پویاست. منظور از فاصله پویا، فاصله‌ای است که بین هر دو مقدار از یک صفت غیر عددی تعریف می‌شود و به ماهیت مسئله بستگی دارد. نحوه تعیین این فاصله پویا در قالب یک مسئله بهینه‌سازی بیان‌شده است که در درون ساختار الگوریتم knn تعبیه‌شده و با استفاده از الگوریتم بهینه‌سازی انبوه ذرات حل می‌شود. برای آزمایش کارآیی الگوریتم پیشنهادی از مجموعه داده‌های uci استفاده‌شده است. نتایج نشان می‌دهد میزان بهبود صحت حداقل %3.6 و حداکثر %32.7 است.
|
|
کلیدواژه
|
kنزدیک‌ترین همسایه، فاصله پویا، الگوریتم بهینه‌سازی انبوه ذرات، صفات غیر عددی (اسمی و رتبه‌ای)
|
|
آدرس
|
دانشگاه یزد, دانشکده اقتصاد، مدیریت و حسابداری, ایران, دانشگاه یزد, دانشکده اقتصاد، مدیریت و حسابداری, ایران, دانشگاه یزد, دانشکده اقتصاد، مدیریت و حسابداری, ایران, دانشگاه یزد, دانشکده اقتصاد، مدیریت و حسابداری, ایران
|
|
پست الکترونیکی
|
zarehabib @ yazd.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Improving the Performance of the k-Nearest Neighbors Algorithm with Utilization of the PSO Metaheuristic Algorithm
|
|
|
|
|
Authors
|
hajimoradi ahmad ,Naser Sadrabadi alireza ,Znjirchi Seyed Mahmood ,Zare Ahmad Abadi Habib
|
|
Abstract
|
The knearest neighbor’s algorithm (KNN) is one of the most widely used and useful nonparametric classification algorithms. The classification mechanism of this algorithm involves computing the distance between new instances and the instances whole classes are known. When the dataset contains nonnumerical (ordinal and nominal) attributes, the performance of the algorithm can be significantly affected by how this distance is measured. In this paper, we attempt to improve the performance of the KNN algorithm by presenting a new solution for computing the distance of nonnumerical traits. For this purpose, the Particle Swarm Optimization (PSO) algorithm is used. The task of this algorithm is to determine the best value of the distance between two states in a noninteger trait so that the accuracy of the KNN algorithm is increased. UCI University Learning Repository Data is used to test this idea. The results obtained from the proposed algorithm are compared with several other improved algorithms and show the useful improvement of this mechanism.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|