سال انتشار:

2016

---

ترجمه فارسی عنوان مقاله:

الگوریتم کارآمد برای دسته بندی kNN برای داده های بزرگ

---

عنوان انگلیسی مقاله:

Efficient kNN classification algorithm for big data

---

منبع:

Sciencedirect - Elsevier - Neurocomputing Volume 195, 26 June 2016, Pages 143-148

---

نویسنده:

Zhenyun Deng, Xiaoshu Zhu, Debo Cheng, Ming Zong, Shichao Zhang

---

چکیده انگلیسی:

K nearest neighbors (kNN) is an efficient lazy learning algorithm and has successfully been developed in real applications. It is natural to scale the kNN method to the large scale datasets. In this paper, we propose to first conduct a k-means clustering to separate the whole dataset into several parts, each of which is then conducted kNN classification. We conduct sets of experiments on big data and medical imaging data. The experimental results show that the proposed kNN classification works well in terms of accuracy and efficiency.
Keywords: Classification | kNN | Big data | Data cluster | Cluster center

---

چکیده فارسی:

K نزدیکترین همسایه (k عدد نزدیکترین همسایه، kNN) یک الگوریتم یادگیری فازی است و به صورت موفقیت آمیزی در کاربردهای واقعی توسعه داده شده است. مقیاس بندی روش kNN برای سری های داده ای مقیاس- بزرگ، امری طبیعی است. در این مقاله ما ابتدا انجام یک خوشه بندی با واسطه k جهت جداسازی کل سری داده ای به صورت چندین بخش که در هربخش پس از جداسازی، دسته بندی kNN انجام شود، را پیشنهاد می کنیم. ما یک سری آزمایشات را روی داده های بزرگ و داده های مربوط به عکسبرداری پزشکی انجام می دهیم. نتایج آزمایش نشان می دهد که دسته بندی پیشنهادی kNN ازنظر دقت و کارآمدی، عملکرد خوبی دارد.
کلیدواژه ها: دسته بندی | kNN | داده های بزرگ | خوشه بندی داده ها | مرکز خوشه

---

---

---

---

حجم فایل: 741 کیلوبایت

---

قیمت: 20000 تومان    16000 تومان (20 % تخفیف)

---

توضیحات اضافی:

---

---

---