基于KL距离的TAN分类器判别性学习方法

被引：16

作者：

冯奇

田凤占

黄厚宽

机构：

[1] 北京交通大学计算机与信息技术学院

来源：

模式识别与人工智能 | 2008年 / 21卷 / 06期

关键词：

树增强朴素贝叶斯(TAN)分类器; 判别性学习; KL 距离; EAR;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

摘要：

树增强朴素贝叶斯(TAN)分类器在模型的复杂性和分类精度之间实现较好折衷,成为当前分类器学习的一个研究热点.为了提高 TAN 分类器的分类准确率,本文提出一种基于 KL 距离的 TAN 分类器判别性学习方法.首先用 EAR 方法学习 TAN 分类器的结构,然后用基于 KL 距离的目标函数优化 TAN 的参数.在标准数据集上的实验结果表明,用该方法学习的 TAN 分类器具有较高的分类精度.

引用

页码：806 / 811

页数：6

共 4 条

[1]

Structural extension to logistic regression: Discriminative parameter learning of belief net classifiers [J].