连续属性一阶贝叶斯衍生分类器学习与集成

摘要：

依据copula和贝叶斯网络理论，将高斯copula函数、引入平滑参数的高斯核函数和以分类器的分类准确性为标准的属性父结点贪婪选择等相结合，综合考虑效率和可靠性，进行连续属性一阶贝叶斯衍生分类器学习、优化和集成。使用UCI数据库中连续属性分类数据进行实验，结果显示，经过优化和集成的一阶连续属性贝叶斯衍生分类器具有良好的分类准确性。

关键词：贝叶斯衍生分类器、高斯copula函数、分类器集成、贝叶斯网络、连续属性

分类号：TP181(自动化基础理论)

资助基金：上海市自然科学基金项目15ZR1429700;上海市教委科研创新项目15ZZ099

在线出版日期：2015-07-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：499-506