K-nearest neighbour classification for symbolic data

• Authors: Pełka, Marcin

Abstracts

PL

Reguła kNN (k Nearest Neighbours) została zaproponowana w pracy (Fix E., Hodges J. L. [1951]) i jest jednym z najlepszych klasyfikatorów dla danych w ujęciu klasycznym. W najprost- szym ujęciu metoda k-najbliższych sąsiadów polega na tym, że klasyfikowany obiekt jest zaliczany do klasy najliczniej reprezentowanej wśród jego k „najbliższych sąsiadów”. Jeżeli w tej samej odległości, co k-ty „sąsiad” znajdą się jeszcze inne elementy, to wszyscy ci „sąsiedzi” biorą udział w głosowaniu. W artykule zaprezentowano adaptację metody KNN dla danych symbolicznych, którą za- proponował zespół pod kierownictwem D. Malerby (por. Malerba i in. [2004]). Badania przepro- wadzono na danych symbolicznych w różnych modelach (generowanych za pomocą procedury cluster. Gen z pakietu clusterSim dla programu R). Modele te zawierały znaną liczbę klas. Dodatkowo do każdego modelu dodano różną liczbę zmiennych zakłócających i wartości odstających, które zniekształcają oryginalną strukturę klas.

• Publisher: Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
• Journal: Acta Universitatis Lodziensis. Folia Oeconomica
• Year: 2010
• Volume: 235

Dates

published

2010

Contributors

author

Pełka, Marcin

other

Uniwersytet Ekonomiczny we Wrocławiu; Wydział Ekonomii, Zarządzania i Turystyki; Katedra Ekonometrii i Informatyki

Identifiers

URI

http://hdl.handle.net/11089/350