A Novel Pseudo Nearest Neighbor Classification Method Using Local Harmonic Mean Distance

在机器学习领域，KNN分类算法以其简单和高效而广受认可。然而，它对K值的敏感性会带来挑战，特别是在样本量较小或存在离群值的情况下，影响分类性能。本文介绍了一种新的基于KNN的分类器，称为LMPHNN（使用局部谐波平均距离的新伪最近邻分类方法）。LMPHNN利用谐波平均距离（HMD）来改善分类性能，基于LMPNN规则和HMD。分类器首先为每个类别识别k个最近邻居，并生成不同的局部向量作为原型。然后，基于每个类别的局部均值创建伪最近邻居（PNNs），通过将样本的HMD与初始k组进行比较来确定每个类别的局部均值。分类是通过计算查询样本与PNNs之间的欧氏距离来确定的，基于这些类别的局部均值。在各种真实UCI数据集和组合数据集上进行了广泛的实验，将LMPHNN与七个基于KNN的分类器进行比较，使用精确度，召回率，准确度和F1作为评估指标。LMPHNN实现了平均精度为97％，超过其他方法14％。平均召回率提高了12％，平均准确度提高了5％。此外，与其他方法相比，LMPHNN的平均F1值提高了13％。总之，LMPHNN优于其他分类器，表现出对小样本量的敏感性较低。

LMPHNN试图解决KNN算法在小样本或者有离群点的情况下表现不佳的问题，以提高分类准确率。

LMPHNN利用谐波平均距离（HMD）来改进KNN算法，通过生成不同的本地向量作为原型，并基于本地均值创建伪最近邻（PNN），从而提高分类性能。

论文在多个真实数据集上进行了广泛的实验，比较了LMPHNN和其他七种KNN算法的性能，使用精确度、召回率、准确率和F1值作为评估指标。LMPHNN的平均精确度达到了97％，超过其他方法14％。平均召回率提高了12％，平均准确率提高了5％。此外，与其他方法相比，LMPHNN的平均F1值提高了13％。

最近在这个领域中，还有一些相关的研究，如：《A Comparative Study of K-Nearest Neighbor, Naive Bayes, and Decision Tree Classification Techniques》、《A New KNN Classifier Using Local Patterns》等。