基于斯皮尔曼系数的加权朴素贝叶斯分类算法研究

朴素贝叶斯分类算法是一种利用概率统计知识来进行分类的算法,其具有效率高、适用范围广等特点,但是其能有效地应用于数据分类需要满足一个重要前提:条件属性独立。而在现实中,这个前提假设往往很难成立。针对这个问题,笔者提出一种基于斯皮尔曼相关系数的加权朴素贝叶斯分类算法（Spearman Weighted Navie Bayes Classification,WNBS）。该算法利用斯皮尔曼系数定量描述了条件属性与决策类之间的相关性,从而为各条件属性赋相应权值,部分消除了条件独立假设对分类效果的影响。经在UCI数据集上的实验测试结果表明,该方法可以有效提高传统朴素贝叶斯分类器分类的正确率。