بهبود صحت طبقه بندي الگوريتم طبقه بندي k هارمونيك نزديك ترين همسايه مبتني بر بردارهاي متوسط محلي چندتايي با بهينه سازي وزن بهينه ويژگي‌هاي داده

يكي از ساده ترين و محبوب ترين تكنيك‌هاي طبقه بندي، الگوريتم knn مي‌باشد كه داراي مشكلاتي از قبيل حساس بودن به داده‌هاي پرت و پارامتر اندازه همسايگي، يكسان فرض نمودن وزن ويژگي‌هاي داده و وزن همسايه‌ها در مرحله راي گيري مي باشد. اخيرا تكنيك طبقه بندي K هارمونيك نزديك ترين همسايگي مبتني بر بردار‌هاي متوسط محلي چندتايي (MLM-KHNN) ارائه شده است كه قادر به بهبود چالش‌هاي knn بجز چالش يكسان فرض نمودن ويژگي داده مي باشد. لذا در اين مقاله پيشنهاد استفاده از روش متاهيوريستيك جايا مبتني بر چندين راه حل بهينه براي تغيير رفتار طبقه بند MLM-KHNN بگونه اي كه قابليت تنظيم اهميت ويژگي‌هاي داده را ارائه دهد، مطرح ميشود. در اين صورت با توجه به توزيع پيچيده و پراكندگي غيريكنواخت داده‌ها، با اعمال وزن‌هاي متفاوت براي ويژگي‌هاي هر كلاس از داده موجب افزايش دقت طبقه بندي MLM-KHNN در داده‌هاي با بعد پايين مي‌گردد. همچنين با اعمال روش جايا مبتني بر مجموعه راف به عنوان گام پيش پردازشي، كاربرد روش پيشنهادي در داده‌هاي با بعد بالا مورد تست قرار گرفت. آزمايشات انجام شده بر روي پايگاه داده‌هاي UCI نشان از بهبود روش پيشنهادي دارد.