شماره ركورد كنفرانس :
4726
عنوان مقاله :
بهبود دقت الگوريتم KNN موازي مبتني بر منطق فازي
پديدآورندگان :
محمدي سينا s.mohammadi95@tabrizu.ac.ir دانشجوي كارشناسي ارشد، گروه علوم كامپيوتر، دانشكده علوم رياضي، دانشگاه تبريز , لطفي شهريار shahriar_lotfi@tabrizu.ac.ir استاديار گروه علوم كامپيوتر، دانشكده علوم رياضي، دانشگاه تبريز
كليدواژه :
KNN , FDA , موازي‌سازي , اعتبارسنجي , K-means فازي
عنوان كنفرانس :
چهارمين كنفرانس ملي محاسبات توزيعي و پردازش داده هاي بزرگ
چكيده فارسي :
الگوريتم KNN يكي از بهترين و پركاربردترين الگوريتم‌هاي دسته‌بندي است كه كاربردهاي متنوعي دارد. يكي از مشكلات اين الگوريتم، تاثير يكسان خصيصه‌ها در محاسبه ركورد جديد با همسايه‌هاي آن ركورد مي‌باشد در حالي كه برخي از اين خصيصه‌ها براي عمل دسته‌بندي اهميت كمتري دارند اين امر باعث گمراهي روند دسته‌بندي مي‌شود. از ديگر مشكلات انتخاب مناسب k (تعداد همسايه‌ها) است كه اگر اين امر به درستي انجام نشود دقت الگوريتم را كاهش مي‌دهد. در اين مقاله با استفاده از يك الگوريتم كاهش ابعاد موسوم به FDA ((Fisher Decomposition Analysis، داده‌ها را به مختصات جديدي انتقال مي‌دهيم تا كيفيت ويژگي‌ها براي تفكيك، افزايش يابد سپس با استفاده از موازي‌سازي KNN بر روي ويژگي‌ها و kهاي مختلف بهترين تعداد ويژگي و تعداد همسايه‌هاي مناسب با توجه به خطاي داده‌هاي اعتبارسنجي (Validation)، انتخاب مي‌شود. در نهايت با استفاده از الگوريتم K-means فازي ارتباط بين داده‌هايي كه به لحاظ فازي تعلق مطلقي به دسته خاصي ندارند و kهاي محاسبه شده (در روش موازي) مشخص مي‌شود، كه از اين ارتباط براي افزايش دقت استفاده مي‌كنيم.
