一种基于样本分布的分类方法研究OACSTPCD

一般而言,KNN分类器和邻域分类器在样本分布均匀的情况下分类性能良好,但在实际应用中,由于在获取数据时,样本易受到技术、环境等客观因素的影响,从而导致其分布是非均匀的。而样本分布的非均匀往往会使得两个分类器的分类性都不能达到令人满意的效果。为了解决这一问题,论文基于KNN分类器和邻域分类器,设计了k邻域分类器。该分类器的核心思想是判断待测样本所处局部区域内的样本分布情况,进而通过限制高密度区域内样本数量和缩小低密度区域样本搜索范围的方式,以此达到提高分类准确率的目的。实验中使用了UCI数据库和ORL人脸数据库中共10组数据集,在三种范数下,将k邻域分类器与KNN分类器、邻域分类器进行了比较。实验结果表明,相较于其他两种分类器,k邻域分类器不仅能够提高分类准确率,而且具备较好的分类稳定性。