بهبود صحت طبقه بندی الگوریتم طبقه بندی k هارمونیک نزدیک ترین همسایه مبتنی بر بردارهای متوسط محلی چندتایی با بهینه سازی وزن بهینه ویژگی‌های داده

یکی از ساده ترین و محبوب ترین تکنیک‌های طبقه بندی، الگوریتم knn می‌باشد که دارای مشکلاتی از قبیل حساس بودن به داده‌های پرت و پارامتر اندازه همسایگی، یکسان فرض نمودن وزن ویژگی‌های داده و وزن همسایه‌ها در مرحله رای گیری می باشد. اخیرا تکنیک طبقه بندی k هارمونیک نزدیک ترین همسایگی مبتنی بر بردار‌های متوسط محلی چندتایی (mlm-khnn) ارائه شده است که قادر به بهبود چالش‌های knn بجز چالش یکسان فرض نمودن ویژگی داده می باشد. لذا در این مقاله پیشنهاد استفاده از روش متاهیوریستیک جایا مبتنی بر چندین راه حل بهینه برای تغییر رفتار طبقه بند mlm-khnn بگونه ای که قابلیت تنظیم اهمیت ویژگی‌های داده را ارائه دهد، مطرح میشود. در این صورت با توجه به توزیع پیچیده و پراکندگی غیریکنواخت داده‌ها، با اعمال وزن‌های متفاوت برای ویژگی‌های هر کلاس از داده موجب افزایش دقت طبقه بندی mlm-khnn در داده‌های با بعد پایین می‌گردد. همچنین با اعمال روش جایا مبتنی بر مجموعه راف به عنوان گام پیش پردازشی، کاربرد روش پیشنهادی در داده‌های با بعد بالا مورد تست قرار گرفت. آزمایشات انجام شده بر روی پایگاه داده‌های uci نشان از بهبود روش پیشنهادی دارد.