CRN：一种基于规则的分类近邻学习算法

"这篇文档介绍了一种针对分类数据的新学习算法——CRN（Classification by Rule-based Neighbors），该算法融合了规则归纳和实例基础学习，适用于处理无度量和无参数的数据分类问题。CRN通过一种新的属性质量度量和分而治之的策略来学习特征集，使得不同类别的每对实例在某个特征集上都有分歧。对于未标记的实例，其邻居是与其在所有特征集上一致的已标记实例，基于这些邻居，CRN对未标记实例进行分类。" 在数据挖掘领域，实例基础学习（Instance-based Learning）是一种常见的学习范式，k-最近邻（k-NN）是其中的典型代表。k-NN算法利用k个最近的邻居的多数类别来预测新实例的类别，由于其简单性和有效性，在模式分类中有广泛应用。在计算实例之间的相似性时，通常会使用预定义的度量，例如在数值属性情况下使用的归一化欧几里得距离。 然而，当遇到属性是分类数据的情况，即非数值型属性时，可能存在没有自然度量标准的问题。在这种情况下，许多针对数值属性设计的实例基础学习方法可能会使用更简单的度量方法来衡量分类属性之间的距离。虽然这些简单度量在某些情况下可能表现良好，但它们可能无法捕捉到问题域的内在复杂性，从而导致分类性能下降。 针对这一挑战，论文提出的CRN算法是一种无度量且无需参数的分类器，它结合了规则归纳和实例基础学习的优点。CRN引入了一个新的属性质量度量标准，并采用分而治之的策略来学习一系列特征集。每个特征集的设计使得不同类别的实例在这些特征集上总能找到至少一个不一致的地方。这样，对于未标记的实例，只有当其与已标记实例在所有特征集上的属性值都相同时，后者才会被视为其邻居。最终，CRN将根据未标记实例在其学到的特征集上的邻居来决定其类别。 CRN算法的有效性通过实验验证，证明了其在处理分类数据时的优越性，尤其是在面对复杂问题和无自然度量的分类任务时。这种创新方法为数据挖掘中的分类问题提供了一种新的解决方案，有助于提高模型在非数值或复杂属性数据上的分类精度。