Un algorithme de classification K-Plus-Proche-voisins quantique amélioré basé sur la distance polaire

L'algorithme K-Plus-Proche-voisins (KNN) est l'un des algorithmes de classification les plus largement utilisés, tandis que sa haute complexité temporelle limite ses performances à l'ère des grandes données. L'algorithme K-Plus-Proche-voisins quantique (QKNN) peut gérer ce problème avec une efficacité satisfaisante ; cependant, son exactitude est sacrifiée lorsqu'il est appliqué directement avec la mesure de similarité traditionnelle basée sur la distance euclidienne. Inspiré par le système de coordonnées polaires et la propriété quantique, ce travail propose une nouvelle mesure de similarité pour remplacer la distance euclidienne, définie comme distance polaire. La distance polaire prend en compte à la fois les informations angulaires et la longueur du module, introduisant un paramètre de poids ajusté aux données d'application spécifiques. Pour valider l'efficacité de la distance polaire, nous avons réalisé diverses expériences en utilisant plusieurs ensembles de données typiques. Pour l'algorithme KNN classique, les performances d'exactitude sont comparables en utilisant la distance polaire pour la mesure de similarité, tandis que pour l'algorithme QKNN, il surpasse de manière significative la distance euclidienne en termes d'exactitude de classification. De plus, la distance polaire montre une évolutivité et une robustesse supérieures à celles de la distance euclidienne, offrant une opportunité pour l'application à grande échelle du QKNN dans la pratique.