A new binary classifier robust on noisy domains based on kNN algorithm

Müge Acar

Makale detayları

A new binary classifier robust on noisy domains based on kNN algorithm

Yazarlar:

Müge Acar

Yayıncı:

Gazi University

Ana Başlıklar:

Veri Madenciliği ve Bilgi Keşfi

Dergi:

Bilişim Teknolojileri Dergisi Vol.17 Issue 4, pp.309-321

Belge Tipi:

Makale

Yayın Tarihi:

10/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001330426

pISSN:

1307-9697

Anahtar kelimeler:

Özet:

 Classification is an effective technique commonly used in data analysis by systematically arranging groups or categories according to established criteria. The classifiers success relies on the classifier itself and the quality of the data. However, in real-world applications, it is inevitable for datasets to contain mislabeled instances, which may cause misclassification challenges that classifiers have to handle. This study aims for a quantitative assessment of the classification of noisy data through a new kNN-based classification algorithm and to increase the performance of classical kNN by efficiently classifying the data. We perform various numerical experiments on real-world data sets to prove our new algorithms performance. We obtain high standards of accuracy levels on various noisy datasets. We propose that this new technique can provide high standard accuracy levels in binary classification problems. We compared the new kNN and classical kNN algorithms in various noise levels 10, 20, 30, and 40 on distinct datasets by measuring in terms of test accuracy. Also, we compared our new algorithm with popular classification algorithms and in the vast majority, we obtained better test accuracy results.

 Classification is an effective technique commonly used in data analysis by systematically arranging groups or categories according to established criteria. The classifiers success relies on the classifier itself and the quality of the data. However, in real-world applications, it is inevitable for datasets to contain mislabeled instances, which may cause misclassification challenges that classifiers have to handle. This study aims for a quantitative assessment of the classification of noisy data through a new kNN-based classification algorithm and to increase the performance of classical kNN by efficiently classifying the data. We perform various numerical experiments on real-world data sets to prove our new algorithms performance. We obtain high standards of accuracy levels on various noisy datasets. We propose that this new technique can provide high standard accuracy levels in binary classification problems. We compared the new kNN and classical kNN algorithms in various noise levels 10, 20, 30, and 40 on distinct datasets by measuring in terms of test accuracy. Also, we compared our new algorithm with popular classification algorithms and in the vast majority, we obtained better test accuracy results.

 Classification is an effective technique commonly used in data analysis by systematically arranging groups or categories according to established criteria. The classifiers success relies on the classifier itself and the quality of the data. However, in real-world applications, it is inevitable for datasets to contain mislabeled instances, which may cause misclassification challenges that classifiers have to handle. This study aims for a quantitative assessment of the classification of noisy data through a new kNN-based classification algorithm and to increase the performance of classical kNN by efficiently classifying the data. We perform various numerical experiments on real-world data sets to prove our new algorithms performance. We obtain high standards of accuracy levels on various noisy datasets. We propose that this new technique can provide high standard accuracy levels in binary classification problems. We compared the new kNN and classical kNN algorithms in various noise levels 10, 20, 30, and 40 on distinct datasets by measuring in terms of test accuracy. Also, we compared our new algorithm with popular classification algorithms and in the vast majority, we obtained better test accuracy results.

 Sınıflandırma, belirlenmiş bazı kriterlere göre kategoriler halinde sistematik olarak verilerin analizinde kullanılan etkili bir tekniktir. Sınıflandırıcının başarısı, sınıflandırıcının kendisine ve verilerin kalitesine bağlıdır. Bununla birlikte, gerçek hayat uygulamalarında, veri kümelerinin yanlış etiketlenmiş örnekler içermesi kaçınılmazdır. Gerçek hayat verileri gürültü olarak bilinen yanlış etiketlenmiş örnekler içerebilir. Bu da yanlış sınıflandırmalara neden olabilir. Bu çalışma, yeni bir kNN k en yakın komşuluk algortiması tabanlı sınıflandırma algoritması ile gürültü verilerinin sınıflandırılmasının nicel bir değerlendirmesini ve verileri verimli bir şekilde sınıflandırarak klasik kNNnin performansını artırmayı amaçlamaktadır. Bu yeni tekniğin, gürültü verileriyle ikili sınıflandırma problemlerinde yüksek standart doğruluk seviyeleri sağlayabileceğini önermekteyiz. Bu çalışma, sınıflandırmadan önce gürültü noktaları tespit edilmesini dikkate alarak ikili sınıflandırma problemlerinde kNN tekniğinin performansını arttırabilmektedir. Yeni kNN ve klasik kNN algoritmalarını farklı gürültü seviyelerinde 10, 20, 30 ve 40 farklı veri setlerinde test doğruluğu açısından ölçerek karşılaştırıldı ve başarılı sonuçlar elde edildi. Ayrıca yeni algoritma popüler sınıflandırma algoritmalarıyla karşılaştırıldı ve daha iyi test doğruluğu sonuçları elde edildi.

Makale detayları

A new binary classifier robust on noisy domains based on kNN algorithm

Yazarlar:

Müge Acar

Yayıncı:

Gazi University

Ana Başlıklar:

Veri Madenciliği ve Bilgi Keşfi

Dergi:

Bilişim Teknolojileri Dergisi Vol.17 Issue 4, pp.309-321

Belge Tipi:

Makale

Yayın Tarihi:

10/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001330426

pISSN:

1307-9697

Binary classification

Noisy data

Data Miningİkili Sınıflandırma

Gürültü Verisi

Veri Madenciliği

Sayı

Makale detayları

A new binary classifier robust on noisy domains based on kNN algorithm

Yazarlar: Müge Acar

Yayıncı: Gazi University

Ana Başlıklar: Veri Madenciliği ve Bilgi Keşfi

Dergi: Bilişim Teknolojileri Dergisi Vol.17 Issue 4, pp.309-321

Belge Tipi: Makale

Yayın Tarihi: 10/2024

Belge Dili: İngilizce

Document ID (Org No.): 2001330426

pISSN: 1307-9697

Binary classification

Noisy data

Data Miningİkili Sınıflandırma

Gürültü Verisi

Veri Madenciliği

Sayı

Yazarlar:

Müge Acar

Yayıncı:

Gazi University

Ana Başlıklar:

Veri Madenciliği ve Bilgi Keşfi

Dergi:

Bilişim Teknolojileri Dergisi Vol.17 Issue 4, pp.309-321

Belge Tipi:

Makale

Yayın Tarihi:

10/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001330426

pISSN:

1307-9697