DW‑KNN: Neuer Klassifikator kombiniert Distanz‑ und Nachbarschaftszuverlässigkeit

Ein neuer Ansatz für den K‑Nearest‑Neighbors‑Klassifikator, der die Schwächen herkömmlicher Varianten adressiert, wurde auf arXiv veröffentlicht. Der Double‑Weighted KNN (DW‑KNN) nutzt eine exponentielle Distanzfunktion in Kombination mit einer Bewertung der Zuverlässigkeit jedes Nachbarn, um die Klassifikationsgenauigkeit zu erhöhen.

Im Gegensatz zu klassischen, distanzgewichteten KNN‑Modellen, die alle k‑Nachbarn gleich behandeln, berücksichtigt DW‑KNN die individuelle Vertrauenswürdigkeit jedes Nachbarn. Dadurch werden verrauschte oder falsch gelabelte Beobachtungen automatisch unterdrückt, was die Stabilität der Vorhersagen deutlich verbessert und die Abhängigkeit von Hyperparametern reduziert.

Eine umfassende Evaluation auf neun unterschiedlichen Datensätzen zeigte, dass DW‑KNN im Durchschnitt eine Genauigkeit von 0,8988 erreicht. Damit rangiert es als zweithöchster Performer unter sechs getesteten Methoden und liegt nur 0,2 % von der bestperformenden Ensemble‑KNN‑Variante entfernt. Zusätzlich weist es die geringste Kreuzvalidierungsvarianz von 0,0156 auf, was auf eine besonders zuverlässige Vorhersagekraft hinweist.

Statistische Tests bestätigten die Signifikanz der Verbesserungen: DW‑KNN übertrifft den kompaktitätsgewichteten KNN um 4,09 % und den kernelgewichteten KNN um 1,13 % (p < 0,001). Trotz seiner Einfachheit bietet der Ansatz eine robuste Alternative zu komplexen adaptiven Verfahren und ist besonders geeignet für Anwendungen, bei denen erklärbare und verlässliche Entscheidungen von entscheidender Bedeutung sind.