版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)
文檔簡介
1、貝葉斯分類屬于數(shù)據(jù)挖掘領(lǐng)域重要的分類方法之一,樸素貝葉斯分類是一種簡單的貝葉斯分類方法,與其它分類方法相比,它的優(yōu)點是簡單、高速、分類效果穩(wěn)定和理論基礎(chǔ)堅實,因此也得到了廣泛的應(yīng)用。但是樸素貝葉斯模型假定在給定分類特征條件下屬性間是相互獨立的,而這個假定在實際應(yīng)用中往往是不成立的,這就給樸素貝葉斯方法帶來了局限性。為此,很多學(xué)者試圖通過放松屬性間的獨立性假設(shè)來提高樸素貝葉斯分類器的性能,其中屬性加權(quán)和屬性選擇是兩種比較好的方法。
2、 本文正是從屬性加權(quán)和屬性選擇兩個方面改進樸素貝葉斯分類模型。主要的研究工作包括:
(1)從屬性加權(quán)方面改進樸素貝葉斯分類,詳細(xì)介紹了屬性加權(quán)樸素貝葉斯分類的基本原理,深入分析了引入屬性權(quán)值后對于分類結(jié)果的影響,介紹了一種稱為相關(guān)概率法的確定屬性權(quán)值的方法,并按照該方法構(gòu)造了一個加權(quán)樸素貝葉斯分類器WNBC。
(2)從屬性選擇方面改進樸素貝葉斯分類,深入分析了兩種不同的屬性選擇方法,分別是屬性相關(guān)性度量法和包裝法。
3、關(guān)于屬性相關(guān)性度量法,介紹了一種基于x2統(tǒng)計量法的屬性選擇算法,并按照該方法構(gòu)造了一個選擇性樸素貝葉斯分類器RNBC;關(guān)于包裝法,研究了包裝法選擇屬性的具體過程,包裝法實現(xiàn)時需要注意的各個方面,然后基于包裝法構(gòu)造了一個選擇性樸素貝葉斯分類器SNBC。
(3)提出將兩種方法相結(jié)合的進一步改進的NBC模型WRNBC和WRSNBC。WRNBC模型將屬性加權(quán)和基于屬性相關(guān)性度量的屬性選擇方法結(jié)合,首先通過x2統(tǒng)計量法得到最優(yōu)屬性約簡子
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 選擇性加權(quán)樸素貝葉斯分類方法的探討.pdf
- 基于屬性加權(quán)和歸約的樸素貝葉斯算法研究.pdf
- 基于屬性選擇加權(quán)的樸素貝葉斯算法的改進與應(yīng)用.pdf
- 13245.基于屬性選擇的樸素貝葉斯分類研究與應(yīng)用
- 基于粒子群優(yōu)化的加權(quán)樸素貝葉斯分類研究.pdf
- 選擇性貝葉斯分類算法研究.pdf
- 基于粗糙集的加權(quán)樸素貝葉斯分類算法研究.pdf
- 樸素貝葉斯分類改進算法的研究.pdf
- 基于樸素貝葉斯的中文網(wǎng)頁分類研究.pdf
- 樸素貝葉斯分類模型的改進研究.pdf
- 基于遺傳算法的樸素貝葉斯分類研究.pdf
- 樸素貝葉斯分類及其應(yīng)用研究.pdf
- 樸素貝葉斯分類模型的研究與應(yīng)用.pdf
- 自適應(yīng)屬性選擇的隱樸素貝葉斯算法研究及其應(yīng)用.pdf
- 樸素貝葉斯分類算法的研究與應(yīng)用.pdf
- 基于粗糙集的樸素貝葉斯分類算法研究.pdf
- 關(guān)于樸素貝葉斯分類算法的改進.pdf
- 基于樸素貝葉斯的網(wǎng)頁自動分類技術(shù)研究.pdf
- 基于正則化樸素貝葉斯的用戶分類算法的研究.pdf
- 基于樸素貝葉斯的高血壓文本分類的研究.pdf
評論
0/150
提交評論