基于粒子群優(yōu)化的增量貝葉斯分類的研究與應用.pdf

1、貝葉斯分類方法在分類挖掘上的應用是現(xiàn)在研究的一個熱點。目前有關貝葉斯分類的研究主要集中在諸如垃圾郵件過濾和文章分類等文本分類研究領域中，而在諸如疾病檢測和股票趨勢預測的數(shù)據(jù)分類領域的研究比較少。本文主要圍繞貝葉斯分類算法的屬性選擇過程、增量學習能力及其在輔助決策領域的應用三個方面進行研究，主要工作如下:
　　本文在對屬性選擇過程的實質(zhì)進行模型抽象后，得到了基于離散粒子群優(yōu)化的屬性選擇模型，并在此基礎上提出了基于離散粒子群優(yōu)化貝葉斯

2、分類算法。本文的屬性選擇模型使用一個過程實現(xiàn)屬性選擇，有效地避免了已有方法在子集屬性個數(shù)選擇上的人為因素。實驗結果表明，本文使用屬性選擇方法得到的屬性子集更不容易陷入局優(yōu)，在該屬性子集上訓練得到的貝葉斯分類器有更高的分類精確度。
　　為了提高貝葉斯分類算法對分批獲得的訓練數(shù)據(jù)進行逐步學習的能力，本文基于對新增訓練集數(shù)據(jù)的分類區(qū)分度、噪音和冗余等因素的綜合考慮，在增量學習的修正過程中引入了樣本分類貢獻度的概念。文中給出了樣本分類貢獻