2023年全國(guó)碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩61頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、樣本分類是數(shù)據(jù)挖掘一項(xiàng)非常重要的任務(wù),在眾多分類方法和理論中,貝葉斯分類方法具有堅(jiān)實(shí)的統(tǒng)計(jì)理論基礎(chǔ),其簡(jiǎn)單形式是樸素貝葉斯方法(NBC模型),由于具有簡(jiǎn)單快速的計(jì)算過程及泛化能力強(qiáng)等優(yōu)點(diǎn),NBC模型得到了廣泛應(yīng)用。本文著重研究基于連續(xù)型數(shù)據(jù)的樸素貝葉斯分類器,探討基于屬性加權(quán)及增量學(xué)習(xí)的改進(jìn)方法。
   在屬性加權(quán)改進(jìn)方法上,本文引進(jìn)Fisher判別分析理論定義各屬性的分類權(quán)重,提出了Fisher加權(quán)樸素貝葉斯分類器(FWNBC

2、模型),通過實(shí)驗(yàn)分析表明FWNBC模型在一定程度上提高了樸素貝葉斯分類器的準(zhǔn)確率。
   在增量學(xué)習(xí)方法上,由于樸素貝葉斯對(duì)數(shù)據(jù)作高斯分布假設(shè),本文首先應(yīng)用有限混合模型思想分析分類器的參數(shù)求解過程實(shí)質(zhì)上是高斯混合模型的參數(shù)估計(jì)過程。接著討論EM算法在高斯混合模型參數(shù)估計(jì)問題上的應(yīng)用,提出增加未標(biāo)注訓(xùn)練樣本的結(jié)合EM算法的樸素貝葉斯分類器(EMNBC模型)。實(shí)驗(yàn)表明當(dāng)數(shù)據(jù)對(duì)樸素貝葉斯有較好的類可分性時(shí),EMNBC模型可以明顯地提高

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(qǐng)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(qǐng)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(huì)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(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論