基于MapReduce的KNN分类算法的改进在动车组中的应用

摘要：

KNN分类算法是数据挖掘中常用的算法,其缺点是其近邻的确定根据欧氏距离来计算,很可能产生偏差.针对这一问题,提出了相似度算法和欧氏距离算法相结合的方法,减少了可能出现的偏差,同时实现了MapReduce的并行化.动车组运维实验表明,该算法提高了分类的准确率和效率.

关键词： 动车组 数据挖掘 K近邻分类算法 MapReduce框架

作者: 郭明亮 张骏温

作者单位: 北京交通大学计算机与信息技术学院 北京 100044

会议类型: 国内会议

会议名称: 中国计算机用户协会网络应用分会2014年第十八届网络新技术与应用年会

会议地点: 昆明

会议语种:中文

页码: 445-448

在线出版日期: 2014-11-01（万方平台首次上网日期，不代表论文的发表时间）