AI Summary & Key Takeaways
AI InsightThe fixed k value used for each test sample can decrease the overall prediction performance.
📌 3 Key Takeaways
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
Özet
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