基于频繁项集挖掘的贝叶斯分类算法

被引：11

作者：

眭俊明

姜远

周志华

机构：

[1] 南京大学计算机软件新技术国家重点实验室

来源：

计算机研究与发展 | 2007年 / 08期

关键词：

机器学习; 贝叶斯分类; 半朴素贝叶斯分类; 频繁项集挖掘; 集成学习;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TP301.6 [算法理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 081202 ;

摘要：

朴素贝叶斯分类器是一种简单而且高效的分类学习算法,但是它所要求的属性独立性假设在真实世界应用中经常难以满足.为了放松属性独立性约束以提高朴素贝叶斯分类器的泛化能力,研究人员进行了大量的工作.提出了一种基于频繁项集挖掘技术的贝叶斯分类学习算法FISC(frequent item sets classifier).在训练阶段,FISC找到所有频繁项集并计算可能用到的概率估值.在测试阶段,FISC对于测试样本包含的每个项集构造一个分类器,通过集成这些分类器来给出预测结果.实验结果验证了FISC的有效性.

引用

页码：1293 / 1300

页数：8

共 6 条

[1] 基于Boosting的TAN组合分类器 [J].

石洪波 ;

黄厚宽 ;

王志海 .

计算机研究与发展, 2004, (02) :340-345

[2]

Not So Naive Bayes: Aggregating One-Dependence Estimators[J] . Geoffrey I. Webb,Janice R. Boughton,Zhihai Wang.Machine Learning . 2005 (1)

[3] Lazy learning of Bayesian rules [J].

Zheng, ZJ ;

Webb, GI .

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

[4] Bayesian Network Classifiers [J].

Nir Friedman ;

Dan Geiger ;

Moises Goldszmidt .

Machine Learning, 1997, 29 :131-163

[5]

Constructive induction of Cartesian product attributes .2 M J Pazzani. The Conf on Information,Statistics and Induction in Science’’96 . 1996

[6]

Efficient algorithmsfor discovering association rules .2 H Mannila,HToivonen,AI Verkamo. The AAAI’94Workshop on Knowledge Discoveryin Database . 1994

← 1 →