朴素贝叶斯算法是一种基于属性条件独立假设的分类算法,具有结构简单,高效和稳健等优点。然而,属性条件独立性假设在实际中很难实现。为降低该假设对算法性能的影响,基于结合学习算法思想提出了一种嵌入实例权重的属性加权朴素贝叶斯算...朴素贝叶斯算法是一种基于属性条件独立假设的分类算法,具有结构简单,高效和稳健等优点。然而,属性条件独立性假设在实际中很难实现。为降低该假设对算法性能的影响,基于结合学习算法思想提出了一种嵌入实例权重的属性加权朴素贝叶斯算法。首先将实例样本转化为属性值频率数据;其次利用熵值法构建实例权重;然后,基于包装法将实例权重嵌入到属性权重计算中,提出一种新的属性加权算法;最后,利用UCI(University of California Irvine)数据集对不同属性加权算法进行比较。实验表明:提出的算法较经典属性加权算法具有更好的效率。展开更多
文摘朴素贝叶斯算法是一种基于属性条件独立假设的分类算法,具有结构简单,高效和稳健等优点。然而,属性条件独立性假设在实际中很难实现。为降低该假设对算法性能的影响,基于结合学习算法思想提出了一种嵌入实例权重的属性加权朴素贝叶斯算法。首先将实例样本转化为属性值频率数据;其次利用熵值法构建实例权重;然后,基于包装法将实例权重嵌入到属性权重计算中,提出一种新的属性加权算法;最后,利用UCI(University of California Irvine)数据集对不同属性加权算法进行比较。实验表明:提出的算法较经典属性加权算法具有更好的效率。
