原型选择的特征提取与分类数据集

K-最近邻（KNN）规则是机器学习中一种简单而强大的分类技术。然而，它存在一些缺点，例如高内存消耗、低时间效率、类重叠和难以设置适当的K值。为了解决该问题，课题组提出了一种结合原型选择和局部特征加权的改进K-最近邻规则（IKNN_PSLFW）。为了评估IKNN_PSLFW的性能，课题组从KEEL（基于进化学习的知识提取）库中选择20个数据集作为基准数据集。这些数据集来自现实世界中的各个领域，具有不同数量的实例、特征和类。此外，它们还广泛应用于分类的相关研究中。因此，在这些数据集上的实验结果可以为分类算法提供全面和客观的性能评估。有关这些数据集的详细信息，请访问https://sci2s.ugr.es/keel/datasets.php。数据量为2.94 MB。

搜集汇总

背景与挑战

背景概述

该数据集用于评估一种结合原型选择和局部特征加权的改进K-最近邻规则（IKNN_PSLFW），旨在解决传统KNN分类技术的高内存消耗、低时间效率等问题。它包含来自KEEL库的20个基准数据集，这些数据集源自多个现实领域，具有不同的实例、特征和类数量，广泛应用于分类研究，以提供全面客观的性能评估。