多阶段聚类-朴素贝叶斯的异常检测
针对异常检测手段用来标定数据集中明显的不同于其他数据的对象,提出多阶段聚类旨在解决噪声数据的引入和缺失属性样本的处理,并改变传统的贝叶斯分类的被动学习为主动学习的方式来构造性能优越的分类器.在数据预处理阶段,利用密度聚类滤去噪声点,密度聚类的输出作为下一阶段的K-means聚类的输入,提高了K-means的分类准确率.K-means负责对缺失属性的样本进行处理.在分类阶段,利用adaboost学习算法优化朴素贝叶斯分类器,使其获得较好的分类效果.
聚类、朴素贝叶斯、主动学习、K-means算法
32
TP301(计算技术、计算机技术)
教育部科学技术研究项目Y2007G19;哈尔滨工业大学威海研究基金HITWHZB200813
2010-04-26(万方平台首次上网日期,不代表论文的发表时间)
共4页
983-986