一种基于邻域距离的分类方法研究

邻域粗糙集模型中,随着邻域半径的增长,基于多数原则的邻域分类器容易对未知样本的类别产生误判。为缓解该问题,在邻域分类器的基础上,采用了最小平均距离的思想,设计了一种基于邻域距离的分类器,即邻域距离分类器。邻域距离分类器通过邻域粗糙集模型识别出待测样本的邻域空间,然后采用最小平均距离的判别方式来代替多数投票原则,最后找出邻域空间内与待测样本有最小平均距离的类别作为预测的类别标记。在6组UCI数据集上的实验结果表明:1)与邻域分类器相比,所提邻域距离分类器在较大的邻域半径下获得了较为满意的分类结果;2)在进行属性约简之后,与邻域分类器相比,邻域距离分类器依然能在较大的邻域半径下获得较高的分类精度。