一种基于三支聚类的快速KNN算法

KNN算法以其稳定性好、准确率高等特点受到了广泛的应用.但其分类效率与训练样本的规模呈正比,在面对大规模、高维度的数据时分类效率较低.一些改进的KNN算法通过聚类对训练样本进行裁切,从而降低训练样本的规模,提高分类效率,然而待测样本近邻点的缺失导致其分类准确率降低.为此,本文提出了一种基于三支聚类的快速KNN算法(TWC-KNN).算法首先通过阴影集对FCM聚类结果的隶属度矩阵进行处理,从而构造三支聚类,将训练样本划分到类簇的核心域、边界域和琐碎域.根据待测样本与类簇中心的位置重新构造训练集,然后进行KNN分类.在8组不同的UCI数据集上进行了相关实验测试,结果表明,相比于传统的KNN算法和3种改进的KNN算法,TWC-KNN在分类准确率和分类效率上均有所提高.