论文部分内容阅读
RSKNN 算法是一种基于变精度粗糙集理论的 k-近邻改进算法，该算法能够保证在一定分类精度的前提下，有效地降低分类的计算量，提高分类效率。但由于 RSKNN 算法只是简单地将每个类中的样本划分成一个核心和边界区域，并没有根据数据集本身的特点进行划分，因而存在极大的局限性。针对存在的问题，提出一种多代表点学习算法，运用结构风险最小化理论对影响分类模型期望风险的因素进行分析，并使用无监督的局部聚类算法学习优化代表点集合。在UCI公共数据集上的实验表明，该算法比RSKNN算法具有更高的分类精度。