Lokal adaptive metrische nächster-Nachbar-Klassifikation

Die nächster-Nachbar-Klassifikation geht von lokal konstanten klassenbedingten Wahrscheinlichkeiten aus. Diese Annahme wird in hohen Dimensionen mit endlichen Proben aufgrund des Fluchs der Dimension invalid. Unter diesen Bedingungen kann eine erhebliche Verzerrung eingeführt werden, wenn die nächster-Nachbar-Regel verwendet wird. Wir schlagen eine lokal adaptive nächster-Nachbar-Klassifikationsmethode vor, um die Verzerrung zu minimieren. Wir verwenden eine Chi-Quadrat-Abstandsanalye, um eine flexible Metrik zu berechnen, die Nachbarschaften erzeugt, die stark an die Abfrageorte angepasst sind. Nachbarschaften sind entlang weniger relevanter Merkmalsdimensionen verlängert und entlang der einflussreichsten Dimensionen verengt. Infolgedessen sind die klassenbedingten Wahrscheinlichkeiten in den modifizierten Nachbarschaften glatter, wodurch eine bessere Klassifikationsleistung erreicht werden kann. Die Wirksamkeit unserer Methode wird validiert und mit anderen Techniken unter Verwendung sowohl simulierter als auch realer Daten verglichen.