Abstract
Instance based classifiers have a world-wide usage due to their simplicity, applicability,
and clearness. k Nearest Neighbors (k-NN) classifier is one of the most preferred algorithm in
this area. The performance of k-NN is directly related with the k parameter. The best k
parameter is generally chosen by the user and the optimal k value is found by experiments.
Additionally, the chosen constant k value is used during the whole cross validation process.
The fixed k value used for each test sample can decrease the overall prediction performance.
The optimal k value for each test sample should vary from others’ in order to have better
performance. In this study, a dynamic k value selection method for each test sample is proposed.
This improved method employs a simple clustering procedure in classification. In the
experiments, more accurate results are found
References
- Alpaydın E. (2010): “Yapay Öğrenme kitabı”, Boğaziçi Üniversitesi Yayınevi, ISBN: 978-6- 054-23849-1, İstanbul, s.1-35.
- Bache K., Lichman M. (2013): “UCI Machine Learning Repository Official”, http://archive.ics.uci.edu/ml, Irvine, University of California, ABD.
- Berg M., Eindhoven T. U. (2008): “Computational Geometry: Algorithms and Applications”, ISBN: 978-3-540-77973-5, Springer Publishing, s.99-105.
- Demsar J. (2006): “Statistical Comparisons of ClassiŞers over Multiple Data Sets”, Journal of Machine Learning Research 7, s.1-30. MATLAB R2014a Tutorial (2014): “KD Tree Searcher class Tutorial”, www.mathworks.com/help/stats/
- Myatt G. J. (2007a): “Making Sence of Data: A Practical Guide to Exploratory Data Analysis and Data Mining”, Wiley, s.176-181.
- Myatt G. J. (2007b): “Making Sence of Data: A Practical Guide to Exploratory Data Analysis and Data Mining”, Wiley, s.120-129.
- Özger Z. B., Amasyalı M. F. (2013): “Meta Öğrenme ile KNN Parametre Seçimi KNN Parameter Selection Via Meta Learning”, IEEE Sinyal İşleme ve İletişim Uygulamaları Kurultayı (SİU2013), ISBN: 978-1-4673-5562-9, Girne, KKTC, s.1-4.
- Weiss M. A. (2013): “Data Structures and Algorithm Analysis in C++”, Pearson, ABD, s.83- 85, 614-618 ve 629.
Abstract
Örnek tabanlı sınıflandırıcılar basitliği, uygulanabilirliği ve şeffaflığından ötürü yaygın bir
kullanıma sahiptir. k en yakın komşuluk sınıflandırıcısı (k-EKS) bu alanda en çok tercih edilen
algoritmalardan biridir. k-EKS’de performans, k parametresi ile doğrudan ilişkilidir. En uygun
k parametresi, kullanıcı tarafından genellikle deneme-yanılma yöntemiyle seçilir. Bununla
birlikte, bir veri setinde çapraz geçerleme işlemi süresince her bir test örneği için aynı k
parametresinin kullanılması genel sınıflandırma başarısını olumsuz etkilemektedir. Her bir test
örneği için en uygun k değerinin seçilmesi daha başarılı sonuçlar elde edilmesini
sağlayabilmektedir. Çalışmamızda her bir test örneği için en uygun k parametresini kümeleme
yöntemiyle bulan ve bu sayede genel sınıflandırma başarısını artıran bir yöntem üzerinde
çalışılmış ve başarılı sonuçlar elde edilmişti
References
- Alpaydın E. (2010): “Yapay Öğrenme kitabı”, Boğaziçi Üniversitesi Yayınevi, ISBN: 978-6- 054-23849-1, İstanbul, s.1-35.
- Bache K., Lichman M. (2013): “UCI Machine Learning Repository Official”, http://archive.ics.uci.edu/ml, Irvine, University of California, ABD.
- Berg M., Eindhoven T. U. (2008): “Computational Geometry: Algorithms and Applications”, ISBN: 978-3-540-77973-5, Springer Publishing, s.99-105.
- Demsar J. (2006): “Statistical Comparisons of ClassiŞers over Multiple Data Sets”, Journal of Machine Learning Research 7, s.1-30. MATLAB R2014a Tutorial (2014): “KD Tree Searcher class Tutorial”, www.mathworks.com/help/stats/
- Myatt G. J. (2007a): “Making Sence of Data: A Practical Guide to Exploratory Data Analysis and Data Mining”, Wiley, s.176-181.
- Myatt G. J. (2007b): “Making Sence of Data: A Practical Guide to Exploratory Data Analysis and Data Mining”, Wiley, s.120-129.
- Özger Z. B., Amasyalı M. F. (2013): “Meta Öğrenme ile KNN Parametre Seçimi KNN Parameter Selection Via Meta Learning”, IEEE Sinyal İşleme ve İletişim Uygulamaları Kurultayı (SİU2013), ISBN: 978-1-4673-5562-9, Girne, KKTC, s.1-4.
- Weiss M. A. (2013): “Data Structures and Algorithm Analysis in C++”, Pearson, ABD, s.83- 85, 614-618 ve 629.
Details
| Other ID | JA45HB68DM |
|---|---|
| Journal Section | Research Article |
| Authors | |
| Publication Date | September 1, 2014 |
| Published in Issue | Year 2014 Volume: 16 Issue: 48 |
Cite
Dokuz Eylül Üniversitesi, Mühendislik Fakültesi Dekanlığı Tınaztepe Yerleşkesi, Adatepe Mah. Doğuş Cad. No: 207-I / 35390 Buca-İZMİR.