新的自适应 KNN 分类器使用粒状球体计算提高效率

研究人员开发了一种新颖的自适应 k-近邻 (KNN) 分类器，该分类器使用粒状球体计算。该方法包括一个两阶段过程：首先，将数据集划分为粒状球体，并使用 Fisher 判据指导球体分裂以创建多粒度表示。其次，在预测过程中，识别最近的粒状球体，并在测试样本周围形成自适应邻域。有效的“k”值由该邻域内的样本数量动态确定，与现有的 KNN 变体相比，从而提高了准确性和效率。 AI

影响 引入了一种更有效、更准确的 KNN 分类方法，有望提高各种机器学习应用的性能。

排序理由 该集群包含一篇详细介绍新算法及其实现的学术论文，以及相关的代码和工具。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• DagsHub
• Fisher criterion
• Granular-ball computing-based manifold clustering algorithms for ultra-scalable data
• Hugging Face
• IArxiv
• k-nearest neighbors algorithm

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →