基于粒子群優(yōu)化的增量貝葉斯分類的研究與應(yīng)用.pdf

1、貝葉斯分類方法在分類挖掘上的應(yīng)用是現(xiàn)在研究的一個(gè)熱點(diǎn)。目前有關(guān)貝葉斯分類的研究主要集中在諸如垃圾郵件過(guò)濾和文章分類等文本分類研究領(lǐng)域中，而在諸如疾病檢測(cè)和股票趨勢(shì)預(yù)測(cè)的數(shù)據(jù)分類領(lǐng)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(guò)程、增量學(xué)習(xí)能力及其在輔助決策領(lǐng)域的應(yīng)用三個(gè)方面進(jìn)行研究，主要工作如下:
　　本文在對(duì)屬性選擇過(guò)程的實(shí)質(zhì)進(jìn)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(chǔ)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(gè)過(guò)程實(shí)現(xiàn)屬性選擇，有效地避免了已有方法在子集屬性個(gè)數(shù)選擇上的人為因素。實(shí)驗(yàn)結(jié)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(xùn)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(duì)分批獲得的訓(xùn)練數(shù)據(jù)進(jìn)行逐步學(xué)習(xí)的能力，本文基于對(duì)新增訓(xùn)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(xué)習(xí)的修正過(guò)程中引入了樣本分類貢獻(xiàn)度的概念。文中給出了樣本分類貢獻(xiàn)