Uyarlanabilir K-değeri seçimi ile birleştirilmiş komşuların çoğunluk oylamasının ve ortalama uzaklıklarının harmonik ortalamasına bağlı yeni bir KNN sınıflandırıcı

Bu çalışma, KNN algoritmasının geliştirilmiş bir versiyonunu sunarak geleneksel KNN'nin sınıflandırma doğruluğunu iyileştirmeyi amaçlamaktadır. Bu tez, uyarlanabilir ve artımlı k-değeri seçimi ile çoğunluk oylamasının ve ortalama uzaklık harmonik ortalamasına dayanan geliştirilmiş bir KNN sınıflandırıcısı olan HMAKNN'ı önermektedir. Bu çalışma kapsamında, bir ağırlıklandırma mekanizmasının olup olmamasına bağlı olarak HMAKNN'nin sıradan ve ağırlıklı olmak üzere iki farklı türü tasarlanmıştır. Bu metotların adları sırasıyla HMAKNNR ve HMAKNNW'dir. Bu HMAKNN sınıflandırıcıları, sekizi PRTools'tan elde edilen sentetik ve yirmi altısı UCI ve Kaggle depolarından alınan gerçek kıyaslama veri setleri olmak üzere toplam otuz dört veri seti üzerinde değerlendirilmiştir. Önerilen yaklaşımların sınıflandırma etkinliğini ve başarısını belirlemek için geleneksel KNN ve dört iyi bilinen ağırlıklı KNN modeli ile karşılaştırılmıştır. Diğer ağırlıklandırma yöntemlerinin aksine, her iki HMAKNN sınıflandırıcısı da çoğunluk oylaması ve ortalama uzaklık arasındaki sinerjinin yanı sıra k-değerini uyarlamalı olarak değiştirme becerisini kullanarak sınıflandırma doğruluğunu önemli ölçüde artırmıştır. Gerçek kıyaslama veri setlerinin sınıflandırılması sonuçlarına göre, HMAKNNW %83,02 ile en yüksek ACC değerini üretirken, HMAKNNR %82,83 ile ikinci en yüksek değere ulaşmıştır. Karşılaştırılan diğer beş yöntemden elde edilen ortalama sonuçlara göre HMAKNNW ve HMAKNNR sırasıyla %2,69 ve %2,50 üstünlük sağlamıştır. Ayrıca, gerçek kıyaslama veri setlerinin sınıflandırma sonuçları, her iki HMAKNN yönteminin de istatistiksel olarak diğer ağırlıklı KNN yöntemlerinden daha iyi performans gösterdiğini göstermektedir.