基于FLANN改进的KNN医疗分类算法

摘要：

本文通过研究KNN(K-最近邻)算法在疾病预测领域的使用与分析,总结出KNN的2点不足,针对不足进行相应改进并提出F_KNN(循环最近邻搜索)算法:1)针对KNN计算量大、效率低下的缺点,本文采用FLANN(快速最近邻搜索)循环搜索与待测样本距离最近的点,记录若干个最近邻点作为最近邻点子集,利用此子集取代全集对待测样本进行计算,可以降低计算量,极大地提高了KNN算法效率;2)针对KNN难以对高维数据集分类的缺点,本文采用AHP(层次分析法)对样本的特征属性进行相关性研究,使用合适的参数分配权重,提高了KNN算法准确率.本文采用一组脑中风数据集对优化后的算法进行实验,实验结果表明,F_KNN准确率达96.2％.与传统KNN相比,F_KNN提高了分类性能且极大地提高了算法效率.在处理高维且较大的数据集时,F_KNN算法优势明显,具有较好的应用前景.

关键词：K-最近邻、循环最近邻搜索、快速最近邻搜索、层次分析法、脑中风、疾病预测

分类号：TP391(计算技术、计算机技术)

资助基金：江西省放射性地学大数据技术工程实验室开放基金资助项目JELRGBDT201805

在线出版日期：2022-08-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：25-29,35