監(jiān)督學習下的貝葉斯分類器研究.pdf

1、貝葉斯分類器是一種建立在貝葉斯統(tǒng)計學和貝葉斯網(wǎng)絡基礎上的分類工具,具有堅實的數(shù)學基礎和清晰的模型解釋等優(yōu)點,是數(shù)據(jù)挖掘和機器學習中的研究熱點.本文針對監(jiān)督學習下的貝葉斯分類器展開研究,通過分析樸素貝葉斯分類器的優(yōu)缺點,從以下三個方面給出了改進后的分類器:首先,本文針對原有增量學習模型中存在過度擬合以及未考慮新加入實例對原有訓練集的影響的問題,提出了基于評分函數(shù)的增量學習算法.該方法中評分函數(shù)能有效處理過度擬合問題,而提出的網(wǎng)絡評估式考慮

2、了如何選擇最優(yōu)的增量實例.同時,本文將該算法運用到樹擴展貝葉斯分類器中,擴大了適用范圍.其次,在貝葉斯分類器中,合理選擇屬性變量可以大大提高分類性能.本文借鑒了BSEJ算法中屬性聯(lián)合的思想,運用屬性間的條件互信息熵將具有相互依賴關系的屬性進行合并.另外,不同屬性對分類結果起到的作用不同,即應該擁有不同的權重.因此,本文提出了基于屬性選擇的加權樸素貝葉斯模型.最后,本文將集成技術運用到貝葉斯分類器模型中.首先將已有的K依賴貝葉斯分類模型改