بهبود عملکرد الگوریتم KNN با استفاده از الگوریتم فرا ابتکاری PSO

الگوریتم KNN یکی از مهم ترین الگوریتم های نا پارامتری است و جزء روش های اثربخش دسته بندی محسوب می شود. سازوکار این الگوریتم برای تعیین دسته نمونه جدید، مبتنی بر محاسبه فاصله نمونه جدید تا سایر نمونه هاست. زمانی که پایگاه داده شامل صفات غیر عددی (رتبه ای و اسمی) باشد، نحوه محاسبه فاصله می تواند بر کارآیی الگوریتم اثرگذار باشد. در این مقاله روشی برای محاسبه فاصله ارایه شده است که می تواند کارآیی الگوریتم KNN را بهبود دهد. ایده ارایه شده در این پژوهش مبتنی بر محاسبه فاصله پویاست. منظور از فاصله پویا، فاصله ای است که بین هر دو مقدار از یک صفت غیر عددی تعریف می شود و به ماهیت مسئله بستگی دارد. نحوه تعیین این فاصله پویا در قالب یک مسئله بهینه سازی بیان شده است که در درون ساختار الگوریتم KNN تعبیه شده و با استفاده از الگوریتم بهینه سازی انبوه ذرات حل می شود. برای آزمایش کارآیی الگوریتم پیشنهادی از مجموعه داده های UCI استفاده شده است. نتایج نشان می دهد میزان بهبود صحت حداقل %3.6 و حداکثر %32.7 است.