论文部分内容阅读
KNN算法是一种思想简单且容易实现的分类算法，但在训练集较大以及特征属性较多时候，其效率低、时间开销大．针对这一问题，论文提出了基于模糊C-means的改进型KNN分类算法，该算法在传统的KNN分类算法基础上引入了模糊Cmeans理论，通过对样本数据进行聚类处理，用形成的子簇代替该子簇所有的样本集，以减少训练集的数量，从而减少KNN分类过程的工作量、提高分类效率，使KNN算法更好地应用于数据挖掘．通过理论分析和实验结果表明，论文所提算法在面对较大数据时能有效提高算法的效率和精确性，满足处理数据的需求．