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)，請進行舉報或認領(lǐng)
文檔簡介
1、樸素貝葉斯分類器是一種簡單高效的分類算法，在數(shù)據(jù)挖掘和模式識別中應用廣泛，但是樸素貝葉斯假設在現(xiàn)實中往往不能成立，或多或少都影響了分類的效果。很多分類方法是通過適當放松樸素貝葉斯假設，提高樸素貝葉斯分類器的分類精度，結(jié)果通常會導致計算代價的大大提高。
本文主要工作和創(chuàng)新點如下：
(1)詳細研究了樸素貝葉斯分類器及各種改進模型，通過探討如何更好的學習樸素貝葉斯分類器，提出了一種基于粗糙集的特征加權(quán)樸素貝葉斯分類
2、器，從而提高了樸素貝葉斯分類器的分類性能。
(2)提出一種基于粗糙集的特征加權(quán)樸素貝葉斯算法(FWNB)。加權(quán)參數(shù)直接從屬性的粗糙下近似集導出，其可看作是計算每種類別的后驗概率時，該屬性對此計算的影響程度。將FWNB與樸素貝葉斯分類器(Naive Bayesian classifier,NB)、貝葉斯網(wǎng)(Bayes Networks)和NBTree分類器通過數(shù)值實驗比較。為了更充分地驗證FWNB的有效性，將其與文獻26中的
3、基于Rough Set的加權(quán)樸素貝葉斯分類器和文獻32中的基于粗糙集的樸素貝葉斯分類算法進行了實驗對比。
數(shù)值實驗與對比實驗都充分表明：在大多數(shù)數(shù)據(jù)集上，F(xiàn)WNB分類器可在較小的計算代價下，獲得較高的分類正確率。
(3)將基于粗糙集的特征加權(quán)樸素貝葉斯分類器應用于個人信用的指導中去，驗證其分類效果。并與West的神經(jīng)網(wǎng)絡模型以及李旭升等人提出的擴展的樹增強樸素貝葉斯網(wǎng)絡進行了實驗對比，結(jié)果表明，F(xiàn)WNB在分類
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)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
- 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)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(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確性、安全性和完整性, 同時也不承擔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
- 樸素貝葉斯分類器的改進
- 樸素貝葉斯分類器的改進
- 概率統(tǒng)計在分類器設計中的應用及樸素貝葉斯分類器改進研究.pdf
- 樸素貝葉斯分類器的集成學習方法研究.pdf
- 基于連續(xù)型數(shù)據(jù)的樸素貝葉斯分類器的改進研究.pdf
- 基于免疫克隆選擇加權(quán)樸素貝葉斯分類器的網(wǎng)絡入侵檢測.pdf
- 基于樸素貝葉斯分類器的胸腔鏡手術(shù)術(shù)后鎮(zhèn)痛辯證模型.pdf
- 多維貝葉斯分類器的研究.pdf
- 貝葉斯分類器研究及其在Web文檔分類中的應用.pdf
- 基于Volume Test的貝葉斯分類器研究.pdf
- 增量粗糙集及增量貝葉斯分類器算法研究與應用.pdf
- 增量貝葉斯分類器及時序相似性算法研究與應用.pdf
- 入侵檢測中的貝葉斯分類器的研究.pdf
- 監(jiān)督學習下的貝葉斯分類器研究.pdf
- 基于貝葉斯分類器的圖像標注算法研究.pdf
- 樸素貝葉斯分類器預測擬南芥蛋白質(zhì)相互作用及蛋白質(zhì)功能注釋.pdf
- 樸素貝葉斯分類模型的研究與應用.pdf
- 樸素貝葉斯分類算法的研究與應用.pdf
- 基于灰度差投影與貝葉斯分類器的表情識別研究.pdf
- 基于貝葉斯分類器的數(shù)據(jù)集重疊問題研究.pdf
評論
0/150
提交評論