MMSep, 2018

UCI 机器学习库中 11 个不同数据集上 KNN、SVM、LMNN 和 ENN 算法准确率变化的研究和观察

PDF
TL;DR本研究实现四种主流的机器学习算法在十一个数据集上，分析它们的准确性，并且探讨机器学习算法与数据维度之间的关系。
发现论文，激发创造
  • DNN 或 k-NN：泛化 vs. 记忆的问题

    本文探讨了深度神经网络和各种经典分类器之间的关系，研究发现 k-NN 是唯一能够完美记忆数据的分类器，其余分类器的记忆只有在网络的最后几层。研究还表明，神经网络的记忆和泛化相容互补。

    May, 2018

  • 经典算法是公平学习者：对自然天气和野火发生的分类分析

    经过评估，本文旨在展示经典的机器学习算法（如决策树、Boosting、支持向量机、k 最近邻算法和浅层人工神经网络）在处理稀疏数据的分类任务中的效果，并观察数据噪声增加时对这些算法的影响，以及不同参数对分类准确性的提升。研究表明，即使在有限的数据集和嘈杂的环境下，这些经典算法依然具有很好的学习性能。

    Sep, 2023

  • 乳腺癌检测：基于机器学习算法的威斯康星州诊断数据集应用

    本文在威斯康星州诊断性乳腺癌数据集上比较了六个机器学习算法的分类测试准确性，并测量了它们的灵敏度和特异性。实验结果表明，所有的算法都表现良好，并超过了 90% 的测试准确率，其中 MLP 算法表现最佳，测试准确率高达 99.04%。

    Nov, 2017

  • 实际数据上的无监督异常检测算法：我们需要多少个？

    本研究在 52 个实际多元表格数据集上评估 32 种无监督异常检测算法，在收集的数据集中，K-thNN 算法在大多数情况下表现最佳，也确定了两个清晰的簇，一个有 “局部” 数据集，另一个有 “全局” 数据集，考虑到算法的计算复杂性，这三种算法足以找到代表性的多元数据集中的异常。

    May, 2023

  • 本地可解释的机器学习和人工智能：初步结果和未来方向

    该论文介绍了如何结合 k 最近邻算法与信息论来解决机器学习模型复杂度与可解释性之间的矛盾，以实现全面审计的机器学习和人工智能技术

    Jan, 2019

  • 高维数据的近似最近邻搜索：实验、分析与改进（v1.0）

    本文详细评估了 16 种不同算法在 20 个不同数据集、多个评估指标和不同查询工作负载下的性能表现，并提出了一种新的方法以提高查询效率和召回率。

    Oct, 2016

  • 动态数据集上的近似最近邻搜索：一项调查

    近似 k 最近邻（ANN）方法常用于大规模高维数据集上的信息挖掘和机器学习，针对动态数据集和在线特征学习等应用，我们通过实证评估了 5 种流行的 ANN 方法，结果表明在动态数据集中，k-d 树方法不适用，并且在在线数据收集和在线特征学习方面，层次可导航小世界图方法和可扩展最近邻方法分别比基线方法更快速。

    Apr, 2024

  • 基于图的近似最近邻搜索的综合调查和实验比较

    本文综述了 13 个代表性的基于图的近似最近邻搜索算法，通过新的分类和细粒度的流程进行了比较分析和实验评估。该研究提供了优化算法的原则并设计了一种优化方法，可以优于现有的基于图的近似最近邻算法。同时还提供了关于有前途的研究方向和适合不同领域从业者使用的算法的经验建议。

    Jan, 2021

  • 最近邻异常检测方法的统计分析

    探究最近邻方法在异常检测中的表现，通过综合模拟实验和理论分析得到最近邻方法相对于其他现有算法的优异性，并针对不同维度数据和异常观测提供有限样本一致性保证和分类误差率公式。

    Jul, 2019

  • 具有稳定学习规则的增强型 KNN 双支持向量机

    该研究提出了一种增强的、基于加权的正则化 KNN 双支持向量机，通过加权样本、增加稳定项和结合多距离 KNN 算法来解决 KNN-based TSVM 分类器的高计算成本和过拟合等问题，实验结果表明在分类准确度和计算时间上均有显著提高，最大加速比可达 14 倍。

    Jun, 2019