基于粗集理論的自主式樸素貝葉斯學習算法研究.pdf

1、機器學習 (知識獲取) 的目標是將大量數(shù)據(jù)中所隱含的知識發(fā)現(xiàn)出來，也就是將知識從人們難于理解、操作和使用的數(shù)據(jù)表達形式轉(zhuǎn)化為便于人們理解、操作和使用的決策規(guī)則形式的表達形式。由此可以看出，機器學習過程，實質(zhì)上是知識的一個形式轉(zhuǎn)換過程，而不是知識的產(chǎn)生過程。在傳統(tǒng)的機器學習研究中，人們都借助于部分領(lǐng)域先驗知識，然而，在很多情況下這些先驗知識(假設(shè))不能很好地滿足實際情況，而且如果人類對待研究的問題還沒有很好的認識，這些方法就難以適用。數(shù)據(jù)

2、驅(qū)動的自主式學習是研究在知識發(fā)現(xiàn)過程中盡量擺脫對先驗知識或?qū)＜?領(lǐng)域)知識的依賴，由數(shù)據(jù)自主地完成知識的獲取過程。 樸素貝葉斯(Naive Bayes，簡稱NB)由于它的簡單和計算高效，并具有堅實的理論基礎(chǔ)而得到了廣泛應用。然而，樸素貝葉斯分類基于一個簡單的假定：在給定分類特征條件下屬性之間是相互獨立的，同時認為：每個條件屬性對分類特征(決策屬性)的重要性是相等的。然而，在現(xiàn)實世界中，這種假設(shè)經(jīng)常是不滿足的。對此很多學者提出了加

3、權(quán)樸素貝葉斯、選擇樸素貝葉斯、樹型擴張型樸素貝葉斯及貝葉斯網(wǎng)絡等改進算法，然而這些算法均未能根據(jù)數(shù)據(jù)本身的特點實現(xiàn)自主式學習。 本文對數(shù)據(jù)驅(qū)動的自主式學習問題進行了較深入的研究，基于 Rough 集的屬性重要性理論，分別從代數(shù)觀、信息觀及綜合代數(shù)觀和信息觀的角度給出了屬性權(quán)值的求解方法，提出了 AWNB (基于代數(shù)觀的加權(quán)樸素貝葉斯)、IWNB (基于信息觀的加權(quán)樸素貝葉斯) 和 SWNB (綜合代數(shù)觀和信息觀的加權(quán)樸素貝葉斯)