一种基于树增强朴素贝叶斯的分类器学习方法
树增强朴素贝叶斯(TAN)结构强制每个属性结点必须拥有类别父结点和一个属性父结点,也没有考虑到各个属性与类别之间的相关性差异,导致分类准确率较差.为了改进TAN的分类准确率,该文首先扩展TAN结构,允许属性结点没有父结点或只有一个属性父结点;提出一种利用可分解的评分函数构建树形贝叶斯分类模型的学习方法,采用低阶条件独立性(CI)测试初步剔除无效属性,再结合改进的贝叶斯信息标准(BIC)评分函数利用贪婪搜索获得每个属性结点的父结点,从而建立分类模型.对比朴素贝叶斯(NB)和TAN,构建的分类器在多个分类指标上表现更好,说明该方法具有一定的优越性.
贝叶斯分类器、树增强朴素贝叶斯、评分函数
41
TP311.1(计算技术、计算机技术)
国家自然科学基金61772087
2019-08-19(万方平台首次上网日期,不代表论文的发表时间)
共8页
2001-2008