一种新颖混合贝叶斯分类模型研究

朴素贝叶斯分类器(Naive Bayesian classmer,NB)是一种简单而有效的分类模型,但这种分类器缺乏对训练集信息的充分利用,影响了它的分类性能。通过分析NB的分类原理,并结合线性判别分析(Linear Discriminant A- nalysis,LDA)与核判别分析(Kemel Discriminant Analysis,KDA)的优点,提出了一种混合贝叶斯分类模型DANB (Discriminant Analysis Naive Bayesian classifier,DANB)。将该分类方法与NB和TAN(Tree Augmented Naive Bayesian classifier,TAN)进行实验比较,结果表明,在大多数数据集上,DANB分类器具有较高的分类正确率。