一种结合DS证据理论的改进KNN分类算法

摘要

传统KNN及其改进算法在处理当状态空间是近似连续数值时,其分类的结果可能会随着数据的微小变动产生状态的飞跃,而影响分类的结果。文章提出了一种结合DS证据理论的改进KNN分类方法.该方法首先将连续属性离散化,然后建立基于mass函数的集值决策信息系统,最后在建立的系统上再进行KNN分类。实验结果表明,改进的算法不仅有效地解决了在状态分界处微小的变化所引起的状态跳跃现象,而且分类的准确率上比传统的KNN分类算法结果更好。