一种基于概率加权的朴素贝叶斯分类

被引：36

作者：

白似雪 ^{[1
]}

梅君 ^{[1
]}

吴穹 ^{[2
]}

朱涛 ^{[1
]}

机构：

[1] 南昌大学计算机科学与技术系

[2] 北京邮电大学国际学院

来源：

南昌大学学报(理科版) | 2009年 / 33卷 / 02期

关键词：

数据挖掘; 朴素贝叶斯; 概率推理; 相关概率;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

朴素贝叶斯分类是一种简单而高效的方法,但是它的属性独立性假设,影响了它的分类性能。为了克服该问题,提出了一种基于概率推理的加权朴素贝叶斯分类模型。通过计算属性和类之间的相关概率和不相关概率,对属性赋予不同的权重,从而在保持简单性的基础上有效地提高了朴素贝叶斯算法的分类性能。实验结果表明,该方法可行而且有效。

引用

收藏

页码：191 / 194

页数：4

相关论文

共 7 条

[1]

反垃圾邮件及粗糙朴素贝叶斯邮件分类器 [J].

徐健锋 ;

刘承启 ;

黄传华 ;

李建民 .

南昌大学学报(理科版), 2008, 32 (06) :605-608

[2]

一种基于属性相关性度量的朴素贝叶斯分类模型 [J].

王峻 .

安庆师范学院学报(自然科学版), 2007, (02) :14-16

[3]

基于条件信息熵的自主式朴素贝叶斯分类算法 [J].

邓维斌 ;

黄蜀江 ;

周玉敏 .

计算机应用, 2007, (04) :888-891

[4]

概率度量空间中的一类非线性算子方程的可解性 [J].

叶梅燕 ;

朱传喜 ;

陈晓莉 ;

吴照奇 .

南昌大学学报(理科版), 2006, (03) :211-214

[5]

基于属性相关性的属性约简新方法 [J].

张静 ;

王建民 ;

何华灿 ;

不详 .

计算机工程与应用 , 2005, (28) :55-57

[6]

Lazy learning of Bayesian rules [J].

Zheng, ZJ ;

Webb, GI .

MACHINE LEARNING, 2000, 41 (01) :53-84

[7]

Bayesian network classifiers [J].

Friedman, N ;

Geiger, D ;

Goldszmidt, M .

MACHINE LEARNING, 1997, 29 (2-3) :131-163