10.3969/j.issn.1006-2475.2010.05.009
一种加权朴素贝叶斯分类增量学习模型
朴素贝叶斯分类器难以获得大量有类标签的训练集,而且传统的贝叶斯分类方法在有新的训练样本加入时,需要重新学习已学习过的样本,耗费大量时间.为此引入增量学习方法,在此基础上提出了属性加权朴素贝叶斯算法,该算法通过属性加权来提高朴素贝叶斯分类器的性能,加权参数直接从训练数据中学习得到.通过由Weka推荐的UCI数据集的实验结果表明,该算法是可行的和有效的.
朴素贝叶斯分类器、属性加权、增量学习、训练集
TP18(自动化基础理论)
2010-06-22(万方平台首次上网日期,不代表论文的发表时间)
共3页
30-32