基于WEKA平臺(tái)的貝葉斯分類器的擴(kuò)展.pdf

1、分類算法是機(jī)器學(xué)習(xí)、模式識(shí)別、數(shù)據(jù)挖掘等領(lǐng)域中研究和應(yīng)用最廣泛的一個(gè)重要課題。目前已知的分類算法中一種重要的基于統(tǒng)計(jì)方法的模型是貝葉斯分類模型，在貝葉斯分類模型中實(shí)用性最高和應(yīng)用最廣泛的是樸素貝葉斯分類器。但是由于樸素貝葉斯基于的條件獨(dú)立性假設(shè)在現(xiàn)實(shí)的并不一定成立，因此為了提高其性能，研究人員們提出了多種可以表示屬性間依賴關(guān)系的樸素貝葉斯分類器的改進(jìn)算法(如TAN，AODE，HNB等)。但是這些改進(jìn)算法大多不能直接處理連續(xù)屬性值類型，因

2、此連續(xù)類型的屬性值必須先離散化后才能被處理，這樣可能會(huì)造成不必要的精度損失，尤其當(dāng)訓(xùn)練數(shù)據(jù)中包含較多的連續(xù)變量屬性的情況下。 在本文中我們提出了通過(guò)有效地定義條件概率分布來(lái)改善基于樸素貝葉斯分類器的改進(jìn)算法的性能的方法，并在Weka的框架下實(shí)現(xiàn)了我們提出的改進(jìn)算法，同時(shí)考慮到AODE算法較高的空間復(fù)雜度，我們利用選擇性集成的思想對(duì)AODE算法進(jìn)行了改進(jìn)，以降低其存儲(chǔ)空間復(fù)雜度。試驗(yàn)結(jié)果亦證明我們提出的改進(jìn)算法與原始算法相比在性能