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(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、在數(shù)據(jù)挖掘領(lǐng)域中,有很多算法只能處理定性屬性.樸素貝葉斯分類算法在處理定量屬性時(shí)作了正態(tài)分布的假設(shè).然而,這一假設(shè)與實(shí)際常常是相違背的,從而嚴(yán)重制約了樸素貝葉斯算法的分類性能.因此,在運(yùn)用分類算法之前,通常需要離散化.離散化是數(shù)據(jù)挖掘領(lǐng)域的一個(gè)重要方面,它是一個(gè)從定量數(shù)據(jù)到定性數(shù)據(jù)的轉(zhuǎn)化過程,它不僅能夠有效地提高分類器的分類精度及效率,也能夠使更多的數(shù)據(jù)挖掘算法應(yīng)用于含有定量屬性的數(shù)據(jù)集中,具有重要的現(xiàn)實(shí)意義及研究價(jià)值. 首先,
2、本文對數(shù)據(jù)的分類與度量進(jìn)行了分析.然后,闡述了數(shù)據(jù)挖掘和分類的相關(guān)理論,介紹了樸素貝葉斯算法及其定量屬性的處理方法.接著分析了離散化的研究現(xiàn)狀,重點(diǎn)指出了離散化對樸素貝葉斯算法的有效性.在深入研究熵最小離散化方法(EMD)和MDL準(zhǔn)則的基礎(chǔ)上,分析了EMD方法的缺陷,提出了一種基于MDL的多元離散化方法Multi-EMD.該方法借鑒了EMD方法中尋找切點(diǎn)的方法,在評價(jià)切點(diǎn)時(shí)使用了一種多元的MDL準(zhǔn)則,該準(zhǔn)則綜合考慮了數(shù)據(jù)集中所有數(shù)值型屬
3、性的作用,從而對切點(diǎn)的評價(jià)更可靠.本文還深入研究了比例離散化方法(PKI),將EMD方法與PKI方法相結(jié)合,使用熵最小方法來尋找切點(diǎn),使用PKI方法計(jì)算離散化區(qū)間數(shù)量,提出了比例熵最小離散化方法PEMD.最后,介紹了數(shù)據(jù)挖掘平臺(tái)Weka系統(tǒng)的概況及其架構(gòu),在此平臺(tái)上實(shí)現(xiàn)了Multi-EMD和PEMD方法,并通過實(shí)驗(yàn)比較了EMD,Mutli-EMD,PKI以及PEMD方法。實(shí)驗(yàn)結(jié)果與分析表明,在這4個(gè)方法之中,Multi-EMD比。EMD
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(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,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)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(shí)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
- 樸素貝葉斯分類改進(jìn)算法的研究.pdf
- 基于正則化樸素貝葉斯的用戶分類算法的研究.pdf
- 樸素貝葉斯分類算法的研究與應(yīng)用.pdf
- 樸素貝葉斯算法的改進(jìn)與應(yīng)用.pdf
- 關(guān)于樸素貝葉斯分類算法的改進(jìn).pdf
- 基于遺傳算法的樸素貝葉斯分類研究.pdf
- 基于樸素貝葉斯的假指紋檢測方法研究.pdf
- 基于屬性加權(quán)和歸約的樸素貝葉斯算法研究.pdf
- 基于粗糙集的樸素貝葉斯分類算法研究.pdf
- 社交媒體大數(shù)據(jù)的樸素貝葉斯分類方法研究.pdf
- 基于互信息的多層隱樸素貝葉斯算法研究
- 樸素貝葉斯分類模型的改進(jìn)研究.pdf
- 基于互信息的多層隱樸素貝葉斯算法研究.pdf
- 一種樸素貝葉斯參數(shù)判別學(xué)習(xí)算法.pdf
- 基于粗糙集的加權(quán)樸素貝葉斯分類算法研究.pdf
- 基于改進(jìn)樸素貝葉斯算法的入侵檢測技術(shù)研究.pdf
- 面向CRM的貝葉斯分類算法及并行化研究.pdf
- 基于改進(jìn)樸素貝葉斯算法的Android惡意軟件檢測.pdf
- 樸素貝葉斯與決策樹混合分類方法的研究.pdf
- (2)判別模型、生成模型與樸素貝葉斯方法.pdf
評論
0/150
提交評論