kombiniertes data mining – klassifikation unter verwendung von ...

Kombiniertes Data Mining – Klassifikation anhand von Hilfsinformationen
Das heißt, dass X der Klasse Ci zugewiesen wird für die P(X|Ci) . P(Ci) ein
Maximum ist [ES00], [HK01].
2.3.2 Nearest-Neighbour-Klassifikation
Untypisch für Klassifikationsverfahren verzichtet die Nearest-Neighbour-Klassifikation
(Nächste-Nachbarn-Klassifikation) auf das Finden von explizitem Wissen (Bayes-
Klassifikator, Entscheidungsregeln, Entscheidungsbaum, …) und wird stattdessen
direkt auf die Trainingsdaten angewandt. Aus diesem Grund werden Nächste-
Nachbarn-Klassifikatoren auch „lazy lerners“ genannt, da sie keinen Klassifikator
erzeugen ehe ein neues, unklassifiziertes Objekt klassifiziert werden muss [HK00].
Die verwendeten Trainingsobjekte werden durch einen n-dimensionalen Feature-
Vektor repräsentiert, X = (x1, x2, …, xn), wobei jede Ausprägung zu einem von n
Attributen gehört, A1, A2, …, An. Für jede Klasse Ci wird der Mittelwertvektor der
zugehörigen Feature-Vektoren bestimmt. Die zu klassifizierenden Objekte werden
der Klasse Ci des nächstgelegenen Mittelwertvektors µi zugeordnet.
Bei der Anwendung des Nächste-Nachbarn-Klassifikators sind drei einfache Regeln
entscheidend:
Es soll mehr als ein Trainingsobjekt pro Klasse verwendet werden.
Als Entscheidungsmenge soll nicht nur ein nächster Nachbar dienen, sondern
die k > 1 nächsten Nachbarn.
Die Klassen der k nächsten Nachbarn sollten gewichtet werden, z.B. nach
Distanz der Nachbarn vom zu klassifizierenden Objekt.
Abbildung 6 zeigt ein Beispiel für die Klassifikation eines Objekts anhand dieser
Regeln.
Seite 25