用于Ranking的Bayesian分類器研究.pdf

1、分類(Classification)是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)中最重要的問題之一。因?yàn)樨惾~斯(Bayesian)算法具有堅(jiān)實(shí)的數(shù)學(xué)理論基礎(chǔ)，所以它有著很好的分類效果，并且一直是分類算法中的重要算法。但是在數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的實(shí)際應(yīng)用中，對數(shù)據(jù)僅有一個(gè)準(zhǔn)確的分類是遠(yuǎn)遠(yuǎn)不夠的。一個(gè)準(zhǔn)確的排列(Ranking)算法在實(shí)際應(yīng)用中往往是需要的，并且其重要性甚至超過了一個(gè)準(zhǔn)確的分類算法。因此，將貝葉斯方法應(yīng)用于Ranking的研究是一項(xiàng)有趣的工作，并且具

2、有十分重要的意義。 本文在Weka試驗(yàn)平臺(tái)的基礎(chǔ)上搭建了用于Ranking實(shí)驗(yàn)的實(shí)驗(yàn)平臺(tái)。在這個(gè)平臺(tái)上實(shí)現(xiàn)了樸素貝葉斯(NB)，樹擴(kuò)張貝葉斯(TAN)，貝葉斯樹(NBTree)，隱藏貝葉斯(HNB)和AODE分類算法。通過對這些分類器的Ranking效果的比較我們發(fā)現(xiàn)，由于沒有充分考慮非類屬性相對于類屬性之間的重要程度，AODE分類器在某些數(shù)據(jù)集合上Ranking的效果不太理想。WAODE算法通過增加權(quán)值的辦法，克服了AODE分