1、在各學(xué)科領(lǐng)域及實(shí)際應(yīng)用中，存在著大量的分類問(wèn)題。隨著信息技術(shù)的迅猛發(fā)展，人們面臨著急速增長(zhǎng)的數(shù)據(jù)量，然而人們迫切地希望從已有的海量數(shù)據(jù)中獲取有價(jià)值的信息或是預(yù)測(cè)未來(lái)的能力，因此分類算法也越來(lái)越受到人們的重視。作為數(shù)據(jù)挖掘的重要研究領(lǐng)域，分類技術(shù)已廣泛應(yīng)用于各個(gè)領(lǐng)域并起到了很重要的作用，具有很高的實(shí)用價(jià)值。
　　在數(shù)據(jù)挖掘的分類領(lǐng)域中，國(guó)內(nèi)外大量研究學(xué)者在K最近鄰域概念的基礎(chǔ)上提出了K最近鄰分類算法及許多有效的K最近鄰改進(jìn)算法。但是

2、在實(shí)際的涉及到K近鄰分類算法的應(yīng)用環(huán)境中，不同的參數(shù)K值對(duì)最終的分類結(jié)果及性能會(huì)有顯著的影響。同時(shí)當(dāng)實(shí)驗(yàn)數(shù)據(jù)集為不同特征時(shí)，具體 K值的選擇沒(méi)有可信賴的理論基礎(chǔ)以及可借鑒的信息，K值只能依賴大量的實(shí)驗(yàn)以及用戶在實(shí)驗(yàn)過(guò)程中的經(jīng)驗(yàn)來(lái)選擇。所以對(duì)于K近鄰算法中的敏感參數(shù)K值的選擇是一個(gè)比較困難的研究點(diǎn)。
　　針對(duì)上述問(wèn)題，本文提出了基于自然最近鄰居的分類算法，具體工作如下：
　?、僬{(diào)研并分析了分類技術(shù)的研究背景、實(shí)際應(yīng)用意義。并闡

3、述了分類算法國(guó)內(nèi)外的研究現(xiàn)狀。
　　②簡(jiǎn)要描述了分類算法的定義及過(guò)程。隨后著重探討了幾種常用分類算法的算法思想、優(yōu)缺點(diǎn)及其典型算法等。最后，闡述了常用的分類算法的評(píng)價(jià)指標(biāo)。
　　③引入了自然最近鄰居技術(shù)的概念以及核心思想。該近鄰技術(shù)的優(yōu)勢(shì)在于不需要設(shè)置任何參數(shù)，算法通過(guò)自適應(yīng)計(jì)算形成每個(gè)樣本的鄰居。并對(duì)自然最近鄰居的搜索算法進(jìn)行了改進(jìn)，通過(guò)實(shí)驗(yàn)驗(yàn)證了改進(jìn)算法不再對(duì)噪聲點(diǎn)敏感。最后介紹了自然最近鄰居的密度特性和穩(wěn)定性，并通過(guò)在

4、隨機(jī)以及真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了這些特性。
　?、芴岢隽嘶谧匀蛔罱従拥姆诸愃惴āＭㄟ^(guò)分析并發(fā)現(xiàn)自然最近鄰居用于高維數(shù)據(jù)分類時(shí)的不足，提出了一種基于自然最近鄰搜索算法、自然鄰居的相關(guān)定義以及加權(quán)方式的新的訓(xùn)練集權(quán)重分配方式，以提高分類精度。再利用自然最近鄰算法以及帶有權(quán)值的訓(xùn)練集對(duì)測(cè)試樣本進(jìn)行分類。
　?、萃ㄟ^(guò)在UCI真實(shí)數(shù)據(jù)集上將本文的分類算法與傳統(tǒng)的KNN算法以及加權(quán)KNN算法進(jìn)行比較，實(shí)驗(yàn)驗(yàn)證了本文算法的有效性。并通