An empirical analysis of data reduction techniques for k-nn classification

Abstract

Αυτή η διπλωματικλή εξετάζει τις Τεχνικές Μείωσης Δεδομένων (Data Reduction Techniques - DRTs) στον τομέα των αλγορίθμων ταξινόμησης με αργή εκμάθηση όπως το k-NN, επικεντρώνοντας στις μεθόδους Prototype Selection (PS) και Prototype Generation (PG). Η έρευνα παρέχει μια λεπτομερή εξέταση αυτών των μεθοδολογιών, κατηγοριοποιώντας τις DRTs σε δύο κύριες κατηγορίες: PS και PG, και τις διαχωρίζει σε τρεις υποκατηγορίες: condensing, edition και υβριδικές μεθόδους. H πειραματική μελέτη συγκρίνει συνολικά 20 νέες και κορυφαίες DRTs σε 20 σύνολα δεδομένων. Ο στόχος είναι να εξαχθούν συμπεράσματα απόδοσης τόσο στις κύριες όσο και στις υποκατηγορίες, προσφέροντας πολύτιμες γνώσεις για το πώς αυτές οι τεχνικές ενισχύουν την αποτελεσματικότητα και την ανθεκτικότητα του ταξινομητή k-NN. Η διπλωματική παρέχει μια συνολική επισκόπηση των DRTs, διευκρινίζοντας τις στρατηγικές τους και τις αποδόσεις τους.