计算机与现代化
計算機與現代化
계산궤여현대화
COMPUTER AND MODERNIZATION
2008年
7期
75-78
,共4页
分类%K-近邻算法%噪声模型
分類%K-近鄰算法%譟聲模型
분류%K-근린산법%조성모형
基于实例的KNN算法不可避免地要依赖于数据的质量,但原始数据含有噪声,因而KNN算法的结果势必会因为数据中的噪声而受到严重的影响.事实上,大多噪声都服从一定的模型,而且模型一般是已知的.充分利用数据中的噪声模型,以减小噪声对KNN算法结果的影响.通过实验结果表明该方法是有效的.
基于實例的KNN算法不可避免地要依賴于數據的質量,但原始數據含有譟聲,因而KNN算法的結果勢必會因為數據中的譟聲而受到嚴重的影響.事實上,大多譟聲都服從一定的模型,而且模型一般是已知的.充分利用數據中的譟聲模型,以減小譟聲對KNN算法結果的影響.通過實驗結果錶明該方法是有效的.
기우실례적KNN산법불가피면지요의뢰우수거적질량,단원시수거함유조성,인이KNN산법적결과세필회인위수거중적조성이수도엄중적영향.사실상,대다조성도복종일정적모형,이차모형일반시이지적.충분이용수거중적조성모형,이감소조성대KNN산법결과적영향.통과실험결과표명해방법시유효적.
