文献类型：期刊文章

作　　者：童先群[1] 周忠眉[1]

机构地区：[1]漳州师范学院计算机科学与工程系,福建漳州363000

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金No.10971186~~

年　　份：2010

卷　　号：46

期　　号：3

起止页码：115-117

语　　种：中文

收录情况：AJ、BDHX、BDHX2008、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了克服传统KNN算法,距离加权-KNN算法在距离定义及投票方式上的不足,提出了一种基于属性值对类别重要性的改进算法Entropy-KNN。首先定义两个样本间的距离为相同属性值的平均信息熵,此距离可通过重要属性值有效度量样本之间的相似程度,其次算法Entropy-KNN根据上述定义的距离选取与待测试样本距离最小的K个近邻,最后根据各类近邻样本点的平均距离及个数判断待测试样本的类别。在蘑菇数据集上的实验表明,Entropy-KNN算法的分类准确率高于传统KNN算法和距离加权KNN算法。

关 键 词：分类  KNN算法 属性值 信息熵

分 类 号：TP391]