基于模型似然的超1-依赖贝叶斯分类器集成方法

摘要：

平均1-依赖贝叶斯分类器(AODE)是一种重要的贝叶斯学习方法,但由于其平等看待各个超1-依赖贝叶斯分类器输出,可能对最终结果造成不好影响.本文将每个超1-依赖贝叶斯分类器看作一个产生式模型,并通过模型似然度量超1-依赖贝叶斯分类器的性能,进而提出基于模型似然的超1-依赖贝叶斯分类器集成方法(LODE).与AODE相比,LODE仅增加较少计算量却显著提高分类性能.

关键词：机器学习、数据挖掘、贝叶斯学习、朴素贝叶斯、集成学习

所属期刊栏目：20

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金60505013,60635030;江苏省自然科学基金BK2005412

在线出版日期：2009-08-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：727-731