基于加权K最近邻改进朴素贝叶斯自训练算法

摘要：

针对传统半监督自训练方法在学习朴素贝叶斯分类器过程中容易误标记无标记样本,且整个过程未能利用到训练样本的空间结构信息,导致正确率不高的问题,提出了一种基于加权K最近邻改进朴素贝叶斯自训练算法.该算法利用加权K最近邻算法计算出无标记样本的隶属度,通过隶属度选出与已标记样本空间结构相近的样本,使得朴素贝叶斯分类器在一个较好的空间结构上对未标记样本进行分类,充分地利用样本的空间结构信息,从而降低了自训练过程中的迭代错误.在UCI和Kaggle数据集上的对比实验结果表明,该方法的性能相对于传统半监督自训练算法有所改善.

关键词：半监督学习、自训练方法、朴素贝叶斯、加权K最近邻、置信度

所属期刊栏目：65

分类号：TP181(自动化基础理论)

资助基金：重庆市自然科学基金cstc2014jcyjA40011;重庆市教委科技项目KJ1400513;重庆师范大学科研项目YKC17001;重庆师范大学科研项目YKC18025

在线出版日期：2019-11-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：465-471