Verbesserung von Klassifikationsverfahren: Informationsgehalt der k-Nächsten-Nachbarn nutzen

دومینیک کوخ در مطالعات خود نشان می دهد که با کمک k-نزدیک ترین همسایگان می توان نتایج سایر روش های طبقه بندی را به گونه ای بهبود بخشید که آنها یک بار دیگر با جنگل تصادفی غالباً غالب رقابت کنند. روش k نزدیکترین همسایه توسعه یافته توسط فیکس و هاجز یکی از ساده ترین و در عین حال شهودی ترین روش های طبقه بندی است. با این وجود، در بیشتر موارد می‌تواند نتایج طبقه‌بندی نسبتاً خوبی را ارائه دهد. این محتوای اطلاعاتی k-نزدیک‌ترین همسایه‌ها می‌تواند برای بهبود روش‌های از قبل ایجاد شده استفاده شود. این کتاب اثرات k-نزدیک‌ترین همسایه‌ها را بر رویکرد تقویت، کمند، و جنگل تصادفی در رابطه با مسائل طبقه‌بندی باینری مورد بحث قرار می‌دهد.

Dominik Koch weist in seinen Studien nach, dass es mit Hilfe der k-Nächsten-Nachbarn möglich ist, die Ergebnisse anderer Klassifikationsverfahren so zu verbessern, dass sie wieder eine Konkurrenz zu dem meist dominierenden Random Forest darstellen. Das von Fix und Hodges entwickelte k-Nächste–Nachbarn-Verfahren ist eines der simpelsten und zugleich intuitivsten Klassifikationsverfahren. Nichtsdestotrotz ist es in den meisten Fällen in der Lage, ziemlich gute Klassifikationsergebnisse zu liefern. Diesen Informationsgehalt der k-Nächsten-Nachbarn kann man sich zu Nutze machen, um bereits etablierte Verfahren zu verbessern. In diesem Buch werden die Auswirkungen der k-Nächsten-Nachbarn auf den Boosting-Ansatz, Lasso und Random Forest in Bezug auf binäre Klassifikationsprobleme behandelt.