GWKNN: un algoritmo k-vecino más cercano mejorado con reconstrucción de métrica G y Grey Wolf Optimizer

Área de la Ciencia:

• Aprendizaje automático
• Reconocimiento de patrones
• Minería de datos

Sus antecedentes:

• El k-vecino más cercano (KNN) tradicional tiene dificultades en espacios de alta dimensionalidad debido a la degradación de la medición de la distancia.
• Las distribuciones de clase desiguales en KNN pueden causar sesgo de decisión, lo que afecta la equidad de la clasificación.

Objetivo del estudio:

• Mejorar la capacidad de discriminación y la adaptabilidad de KNN en entornos de datos complejos.
• Abordar el sesgo de decisión y mejorar la equidad en la clasificación KNN.

Principales métodos:

• Propone GWKNN, que integra el Grey Wolf Optimizer para la reconstrucción adaptativa global de la matriz de distancias.
• Introduce la ponderación de frecuencia de clase inversa para mitigar el dominio de la clase mayoritaria en la votación.
• Reconstruye las matrices de distancia para capturar mejor las estructuras no lineales y las asociaciones semánticas, superando las limitaciones de la distancia euclidiana.

Principales resultados:

• GWKNN demuestra una precisión y adaptabilidad de clasificación superiores en comparación con KNN tradicional y otros métodos.
• El algoritmo caracteriza eficazmente las estructuras no lineales y las asociaciones semánticas en los espacios de características.
• La ponderación de frecuencia de clase inversa mejora la sensibilidad a las muestras de la clase minoritaria y la equidad general de la clasificación.

Conclusiones:

• GWKNN ofrece un rendimiento y una adaptabilidad mejorados para KNN en conjuntos de datos complejos, de alta dimensionalidad y desequilibrados.
• El método propuesto muestra un potencial de aplicación práctica significativo en el reconocimiento de patrones y la minería de datos.
• GWKNN mejora la equidad de la clasificación al abordar el sesgo de decisión en distribuciones de clase desequilibradas.