هوش مصنوعی
روش EANK برای هر نمونه، تعداد همسایه‌های k-NN را جداگانه تنظیم می‌کند
پیش‌چاپی در arXiv روشی مبتنی بر الگوریتم ژنتیک معرفی می‌کند که با توجه به ویژگی‌های محلی داده، اندازهٔ همسایگی را به‌صورت تطبیقی تعیین می‌کند.
در طبقه‌بندی نزدیک‌ترین همسایه‌ها (k-NN)، تعداد همسایه‌ها معمولاً یک‌بار و برای کل داده‌ها انتخاب می‌شود؛ اما ویژگی‌های محلی ممکن است انتخاب متفاوتی را بطلبند. در نواحی متراکم و کم‌نویز، همسایگی کوچک‌تر می‌تواند مناسب باشد و در مناطق خلوت یا پرنویز، همسایگی بزرگ‌تر. پژوهشگران در پیش‌چاپی در arXiv روشی به نام EANK پیشنهاد کرده‌اند که به‌جای یافتن یک مقدار ثابت برای k، آن را برای هر نمونه، k(x)، تنظیم می‌کند.
EANK با یک سیاست کم‌بعد، توصیفگرهای محلی از جمله تراکم، آنتروپی برچسب‌ها، حاشیهٔ رأی و میزان تمرکز را به تعداد همسایه‌ها نگاشت می‌کند. سپس یک الگوریتم ژنتیک با کدگذاری حقیقی و حفظ بهترین جواب‌ها، این سیاست را بر اساس دقت leave-one-out و با جریمه‌ای برای همواربودن همسایگی بهینه می‌کند. استفاده از رأی‌های همسایهٔ ازپیش‌محاسبه‌شده نیز هزینهٔ ارزیابی راه‌حل‌ها را کاهش می‌دهد.
ارزیابی پژوهش شامل داده‌های مصنوعی با ساختار مکانی ناهمگون و ۱۲ مجموعه‌دادهٔ عمومی است. در اعتبارسنجی متقاطع تو‌در‌تو، EANK عملکردی رقابتی در مقایسه با روش‌های تنظیم‌شدهٔ k سراسری داشته و از مقدار پیش‌فرض k=5 بهتر عمل کرده است. پژوهش همچنین فاصلهٔ میان عملکرد آموزشی و آزمون را بررسی می‌کند. چکیده، بررسی ویژگی‌های نظری روش، از جمله همگرایی تکاملی و تضمین‌های تعمیم، را نیز گزارش می‌دهد؛ اما جزئیات عددی نتایج در اطلاعات ارائه‌شده نیامده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده