An enhanced approach for none-parametric machine learning classifiers /
نهج مُحَسن للمصنفات الغير براميتريه في تعلم الآلة.
Abdel Fatah Karam Abdel Fatah ؛ Dr. Ammar Mohammad، Dr. Abdelmonem Helmy .
- 2021.
Thesis (M.Sc.)-Cairo University,2022.
Bibliography: p. 89-95.
الجار الأقرب (KNN (هي خوارزمية تعلم آلي حديثة تُستخدم في مهام التصنيف. بالإضافة إلى كونها سهلة الفهم ، فإن KNN هي أي ًضا متعددة الاستخدامات ، وتشمل تطبيقات مختلفة. لشعبية KNN ومجموعة واسعة من الاستخدام ، العديد من المساهمات التي استهدفت زيادة كفاءة التصنيف وحققت توسعات في تعزيز استخدام لها مزايا قوية ، إلا أنها تعتبر مصنفًا كسو ًلا أساليب .KNN على الرغم من أن KNN لا يولد نموذ ًجا مدربًا ولكنه يخزن أو يحفظ أمثلة التدريب بدلاً من ذلك. وبالتالي ، تصبح عملية التنبؤ باستخدام KNN مكلفة من حيث الموارد والوقت ، خاصةً عندما تكون مجموعة بيانات التدريب كبيرة. في هذه الأطروحة ، نقترح خوارزمية جديدة تسمى -K أقرب (KMKNN (KNN Medoid عبارة عن مزيج من النهج الهجين بين الخوارزميات الخاضعة للإشراف وغير الخاضعة للإشراف ، والتي تعمل على تحسين أداء KNN من حيث أداء التنبؤ وكفاءة الوقت. تتمثل الفكرة الأساسية لـ KMKNN في تجميع مجموعة البيانات قبل التنبؤ للحد من مقاييس المسافة إلى مثيلات البيانات التي تنتمي إلى أقرب مجموعة من البيانات الجديدة KMKNN. عند مقارنتها بـ KNN التقليدية وبعض امتداداتها ، تم تحقيق تحسن ملحوظ من خلال تطبيق 15 مجموعة بيانات معيارية. بالإضافة إلى ذلك ، حققت التجارب نفس النتائج أو نتائج أعلى مقارنة بالعديد من امتدادات .KNN تكمن أهمية هذا العمل بشكل أساسي في مجموعة بيانات كبيرة أو عندما يكون مقياس المسافة المستخدم مكلفًا من الناحية الحسابية ، وهو أمر شائع في مجالات استنتاج و ادراك الصور و غيرها والتعرف على الأنماط.