随着信息化技术的飞速发展,数据挖掘作为一个富有活力和潜力的领域拥有着巨大的研究前景。在数据挖掘算法中,KNN算法有着非常广泛的研究和应用。KNN算法的核心思想是在样本空间选择距离输入点最近的K个样本,这K个样本中包含最多的类别就是该输入点属于的类别。KNN算法凭借简单易懂、稳定以及多分类问题上的良好表现在许多领域都有广泛的应用。本文围绕KNN算法进行研究和分析,总结了 KNN算法存在的一些缺点:(1)传统的KNN算法中最近邻居数K是一个全局值,由于数据分布并不是均匀的,不同的未分类点附近的邻居分布都不一样。而传统的方法中所有未分类点都使用同一个K,会导致分类效果变差。(2)传统的KNN算法选择欧氏距离作为距离度量,欧氏距离忽略了特征向量中特征属性与分类强弱的关系,为每一个特征属性分配相同的权重,导致分类性能下降。针对以上缺点提出了相应的改进算法,本文的主要创新点有:提出了一个基于 SVM 的局部加权 SLKNN(SVM-Based Locally Weighted K-NearestNeighbor)分类算法。该方法用SVM算法对数据的输入空间进行分类,再将得到的特征向量加入距离公式来优化距离度量,该特征向量为不同的特征属性分配不同的权重。然后在该距离度量的基础上,为不同的未分类数据分配不同的K和邻居权重,K和邻居权重由SLKNN计算得到。然后估计并预测未分类数据的标签。最后,在一些数据集上实验对比分析了 KNN算法、ADPT算法、L-KNN算法、局部均值非参数分类方法和本文提出的SLKNN算法的分类性能,通过分析各个分类方法在数据集上的分类误差、F1值和时间复杂度等评价指标,证明SLKNN算法具有较好的准确性和效率。在人工数据集中通过改变训练样本集验证了该算法的鲁棒性。