樸素貝葉斯算法的改進(jìn)與應(yīng)用.pdf

1、隨著信息科技的快速發(fā)展和大數(shù)據(jù)的普及，對(duì)數(shù)據(jù)分析的需求變得越來越大，近年來，數(shù)據(jù)挖掘技術(shù)受到了廣泛的關(guān)注，它是一種將大量的數(shù)據(jù)轉(zhuǎn)換為有用的信息，并且發(fā)現(xiàn)數(shù)據(jù)和信息之間聯(lián)系的技術(shù)。分類算法是數(shù)據(jù)挖掘領(lǐng)域重要研究的內(nèi)容之一，它主要是根據(jù)各種分類器將數(shù)據(jù)集中的數(shù)據(jù)項(xiàng)劃分到某一個(gè)固定的類別中。貝葉斯算法是分類算法中的經(jīng)典算法，貝葉斯算法是以概率統(tǒng)計(jì)為基礎(chǔ)的可能性推理方法，通過先驗(yàn)概率來計(jì)算后驗(yàn)概率。由于其較小的誤差率，一直被廣泛運(yùn)用于各個(gè)領(lǐng)域。

2、貝葉斯方法主要分為貝葉斯方法和貝葉斯網(wǎng)絡(luò)。樸素貝葉斯方法是貝葉斯方法的一種簡(jiǎn)化方法，本文主要針對(duì)樸素貝葉斯方法進(jìn)行了相關(guān)研究。
　　本文主要在樸素貝葉斯算法的基礎(chǔ)上進(jìn)行了以下幾個(gè)方面的改進(jìn)。
　　(1)數(shù)據(jù)集在分類的過程至關(guān)重要，數(shù)據(jù)在收集過程中經(jīng)常會(huì)出現(xiàn)不完整的現(xiàn)象，針對(duì)數(shù)據(jù)集出現(xiàn)缺失屬性值的問題，本文提出了一種快速聚類算法對(duì)缺失的數(shù)據(jù)集進(jìn)行填充，首先對(duì)數(shù)據(jù)集進(jìn)行分離形成完備數(shù)據(jù)集和缺失數(shù)據(jù)集，之后使用快速聚類算法對(duì)完備數(shù)

3、據(jù)集進(jìn)行聚類，最后根據(jù)缺失數(shù)據(jù)項(xiàng)與聚類中心的相似度對(duì)缺失值進(jìn)行填充，以此來獲得一個(gè)完整的數(shù)據(jù)集。實(shí)驗(yàn)結(jié)果表明，基于快速聚類算法的樸素貝葉斯分類模型(Fast Cluster Na(i)ve Bayes，F(xiàn)CNB)能夠正確地填充缺失的屬性值，從而提高分類的正確率。
　　(2)針對(duì)兩類分類問題的特點(diǎn)，即在數(shù)據(jù)集中正例和反例所占的比例不同，提出了一種基于K值的樸素貝葉斯分類模型(K Na(i)ve Bayes，K-NB)，該方法引入了一

4、個(gè)概率比值K，通過比較待檢測(cè)數(shù)據(jù)項(xiàng)屬于兩個(gè)類別的概率比值和閾值K的大小，當(dāng)屬于兩個(gè)類別的概率比值大于K時(shí)，才對(duì)待檢測(cè)的數(shù)據(jù)項(xiàng)進(jìn)行歸類。實(shí)驗(yàn)結(jié)果表明，對(duì)于兩類分類問題，相對(duì)于其它的改進(jìn)算法，K-NB算法可以獲得較高的正確率。
　　(3)本文結(jié)合監(jiān)督學(xué)習(xí)算法和樸素貝葉斯算法，提出了一種基于監(jiān)督學(xué)習(xí)算法的樸素貝葉斯分類模型(Supervised Learning Na(i)ve Bayes，SLNB)。利用監(jiān)督學(xué)習(xí)算法聚類速度快的特點(diǎn)和

5、樸素貝葉斯算法準(zhǔn)確率高的優(yōu)點(diǎn)，首先使用監(jiān)督學(xué)習(xí)算法對(duì)數(shù)據(jù)集的正例和反例進(jìn)行聚類，形成若干個(gè)正例和反例的聚類中心，然后比較待檢測(cè)的樣本和正反兩個(gè)聚類中心的最近距離的差值決定采用監(jiān)督學(xué)習(xí)算法還是樸素貝葉斯算法進(jìn)行分類，從而既保證了正確率，也具有較好的分類效率。
　　(4)基于以上的改進(jìn)，構(gòu)建了Android手機(jī)客戶端釣魚網(wǎng)站檢測(cè)模型。首先對(duì)釣魚網(wǎng)站數(shù)據(jù)進(jìn)行收集，使用快速聚類算法對(duì)收集的數(shù)據(jù)集進(jìn)行處理，從而獲得一個(gè)完整的數(shù)據(jù)集，之后使用