韩波，武汉大学.pptVIP

韩 波 武汉大学 国际软件学院 大纲 KNN预测与SVM分类的结合 优化训练集 动态KNN 大数据时代的测光红移估测背景 1 决策树与多维测光红移估测 2 3 4 5 背景 多个大型巡天望远镜获得了海量的测光数据，如SDSS，WISE，UKIRT等 在海量数据的基础上，KNN取得了比其他高级数据挖掘方法(RBF network, SVM, linear regression, MLP, REPTree 等)更准确的测光红移估测 数据越海量、丰富，模型越简单 类星体的测光红移估测中存在catastrophic failure问题 多源数据融合能提高类星体测光红移估测精度，但不是容括所有多源数据属性就可以产生最准确的估测 动态KNN KNN描述及图 KNN算法中不同的K值对估测结果有着巨大的影响，一般的做法是枚举各个值以寻找最佳的K值，即每次K确定后就不再发生变化。 动态KNN 一般来说某一测试样本的距离小于某一值的最近邻居的数目是不一样的，这里将与测试样本的距离小于某一阈值的最近邻居称为真实邻居，于是如果固定K为某一个值，就可能会出现测试样本的真实邻居数目小于K的情况，这种情况下K个最近邻居中就有些与估测样本的距离相差较大的样本，这些可以称为假邻居。这些假邻居在逻辑上是会影响KNN算法对某些样本的估测精度的。 因此我们将进行K值动态变化的尝