Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: https://ruomo.lib.uom.gr/handle/7000/343
Τίτλος: RHC: a non-parametric cluster-based data reduction for efficient k-NN classification
Συγγραφείς: Ougiaroglou, Stefanos
Evangelidis, Georgios
Τύπος: Article
Θέματα: FRASCATI::Engineering and technology
Ημερομηνία Έκδοσης: Φεβ-2016
Πηγή: Pattern Analysis and Applications
Τόμος: 19
Τεύχος: 1
Πρώτη Σελίδα: 93
Τελευταία Σελίδα: 109
Επιτομή: Although the k -NN classifier is a popular classification method, it suffers from the high computational cost and storage requirements it involves. This paper proposes two effective cluster-based data reduction algorithms for efficient k -NN classification. Both have low preprocessing cost and can achieve high data reduction rates while maintaining k -NN classification accuracy at high levels. The first proposed algorithm is called reduction through homogeneous clusters (RHC) and is based on a fast preprocessing clustering procedure that creates homogeneous clusters. The centroids of these clusters constitute the reduced training set. The second proposed algorithm is a dynamic version of RHC that retains all its properties and, in addition, it can manage datasets that cannot fit in main memory and is appropriate for dynamic environments where new training data are gradually available. Experimental results, based on fourteen datasets, illustrate that both algorithms are faster and achieve higher reduction rates than four known methods, while maintaining high classification accuracy.
URI: https://doi.org/10.1007/s10044-014-0393-7
https://ruomo.lib.uom.gr/handle/7000/343
ISSN: 1433-7541
1433-755X
Αλλοι Προσδιοριστές: 10.1007/s10044-014-0393-7
Εμφανίζεται στις Συλλογές: Τμήμα Εφαρμοσμένης Πληροφορικής

Αρχεία σε αυτό το Τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
PAA.pdf811,18 kBAdobe PDFThumbnail
Προβολή/Ανοιγμα


Τα τεκμήρια στο Αποθετήριο προστατεύονται από πνευματικά δικαιώματα, εκτός αν αναφέρεται κάτι διαφορετικό.