研究資料清理方法對KNN分類器鑑別含雜訊心臟病資料之影響
楊偉修
DOI:10.6283/JOCSG.2016.4.2.289
下載PDF檔 ( 已下載次數：1558)
中文摘要 k最近鄰演算法（k Nearest Neighbor Algorithm，簡稱kNN）一種非常簡單且直覺化的樣式辨識方法，由於該法操作簡單，所以已廣泛且有效的應用於各種領域之辨識問題上。該法辨識未知類別測試資料的過程，是將測試資料與一組已知類別的訓練資料進行相似度比對，也就是先計算測試資料與所有訓練資料間的距離，然後取距離最接近測試資料的k個鄰近點，統計各類別的訓練點數，最後以得票數最多的類別作為測試資料之預測類別。所以選取不同的k值也會產生不同的分類結果，但如何選取最佳的k值，至今依然沒有適當的方法來預先決定，因此設定k=1是最簡單且常見的分類規則（簡稱1NN），可是當訓練資料中含有誤判案例（又稱為類別雜訊）時，1NN分類器亦是最易受類別雜訊影響的分類器。
為了獲得更高品質的訓練資料，已有許多研究發展出各種雜訊清理或資料編輯方法，而以kNN為基礎的編輯方法，則以ENN (Edited Nearest Neighbour)、RENN (Repeated ENN)與AENN (All-k-NN)三種方法，屬於最簡單、有效且常被使用的雜訊清理方法，三種方法在使用時，都必須先指定一個k值作為判定標準。ENN清理方法(Wilson, 1972)是在訓練資料中隨機挑出一筆資料當作測試資料，並對剩下的其他訓練資料以kNN演算法計算，如果挑出的資料無法按照預先指定的k值成功分類，則將該筆資料視為雜訊並予以刪除。Tomek於1976年提出RENN與AENN清理方法(Tomek, 1976)，其中RENN方法則是重複執行ENN清理方法，直到所有訓練點都能以剩下的訓練點成功分類為止。AENN清理方法則是按照指定的k值，刪除訓練資料中無法同時以1NN、2NN、…、kNN演算法成功分類的資料，若AENN清理方法指定的k=1，則清理結果與ENN(k=1)相同。
心臟病是中老年人中常見的一種慢性疾病，於醫學上又稱為心肌梗塞(myocardial infarction)，通常是冠狀動脈疾病的結果。而心血管疾病已經連續蟬聯國人十大死因第二或第三名，相較於癌症，心血管疾病較無明顯病徵所以常被忽略，而發病時是較猛烈且易致命的，因此是中老年人不可忽視的重大疾病之一。在資料探勘領域中，近年來已有許多以心臟病為主題的研究，但這些研究中鮮少考慮雜訊資料對於判別此疾病的影響。而當所獲得之資料品質不佳，並以此含有雜訊的訓練資料建立分類器，一定會減低分類器的功能。有鑑於此，如何應用有效的雜訊清理方法，建立高品質的訓練資料，進而改進分類器的雜訊容忍度與鑑別準確率，則成為本研究的主要目的。