· 2015
k-En Yakın Komşu Algoritması için Mesafe Metriklerinin Ampirik Bir Çalışması
An Empirical Study of Distance Metrics for k-Nearest Neighbor Algorithm
- 202atıf
- 2015yıl
Kısa özet
Altı mesafe metriği (Şehir bloğu, Çebişev, Öklid, Mahalanobis, Minkowski, Standartlaştırılmış Öklid), sentetik veri kümelerinde k-NN sınıflandırması için yüksek tahmin doğruluğu sağlamıştır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- k-NN sınıflandırması için 11 mesafe metriği değerlendirilmiştir.
- Çeşitli dağılımlara sahip sekiz sentetik veri kümesi kullanılmıştır.
- Şehir bloğu, Çebişev, Öklid, Mahalanobis, Minkowski ve Standartlaştırılmış Öklid metrikleri yüksek tahmin doğruluğu sağlamıştır.
- Bu metrikler, benzer veri özelliklerine sahip k-NN sınıflandırma görevleri için önerilmektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
This research aims at studying the performance of k-nearest neighbor classification when applying different distance measurements. In this work, we comparatively study 11 distance metrics including Euclidean, Standardized Euclidean, Mahalanobis, City block, Minkowski, Chebychev, Cosine, Correlation, Hamming, Jaccard, and Spearman. A series of experimentations has been performed on eight synthetic datasets with various kinds of distribution. The distance computations that provide highly accurate prediction consist of City block, Chebychev, Euclidean, Mahalanobis, Minkowski, and Standardize Euclidean techniques.
Yazarların özeti; kaynağından alınmıştır., 2015 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Hesaplamalı Matematik
Computational MathematicsMathematics