2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩65頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、樸素貝葉斯分類器是一種簡單高效的分類算法,在數(shù)據(jù)挖掘和模式識別中應(yīng)用廣泛,但是樸素貝葉斯假設(shè)在現(xiàn)實(shí)中往往不能成立,或多或少都影響了分類的效果。很多分類方法是通過適當(dāng)放松樸素貝葉斯假設(shè),提高樸素貝葉斯分類器的分類精度,結(jié)果通常會(huì)導(dǎo)致計(jì)算代價(jià)的大大提高。
   本文主要工作和創(chuàng)新點(diǎn)如下:
   (1)詳細(xì)研究了樸素貝葉斯分類器及各種改進(jìn)模型,通過探討如何更好的學(xué)習(xí)樸素貝葉斯分類器,提出了一種基于粗糙集的特征加權(quán)樸素貝葉斯分類

2、器,從而提高了樸素貝葉斯分類器的分類性能。
   (2)提出一種基于粗糙集的特征加權(quán)樸素貝葉斯算法(FWNB)。加權(quán)參數(shù)直接從屬性的粗糙下近似集導(dǎo)出,其可看作是計(jì)算每種類別的后驗(yàn)概率時(shí),該屬性對此計(jì)算的影響程度。將FWNB與樸素貝葉斯分類器(Naive Bayesian classifier,NB)、貝葉斯網(wǎng)(Bayes Networks)和NBTree分類器通過數(shù)值實(shí)驗(yàn)比較。為了更充分地驗(yàn)證FWNB的有效性,將其與文獻(xiàn)26中的

3、基于Rough Set的加權(quán)樸素貝葉斯分類器和文獻(xiàn)32中的基于粗糙集的樸素貝葉斯分類算法進(jìn)行了實(shí)驗(yàn)對比。
   數(shù)值實(shí)驗(yàn)與對比實(shí)驗(yàn)都充分表明:在大多數(shù)數(shù)據(jù)集上,F(xiàn)WNB分類器可在較小的計(jì)算代價(jià)下,獲得較高的分類正確率。
   (3)將基于粗糙集的特征加權(quán)樸素貝葉斯分類器應(yīng)用于個(gè)人信用的指導(dǎo)中去,驗(yàn)證其分類效果。并與West的神經(jīng)網(wǎng)絡(luò)模型以及李旭升等人提出的擴(kuò)展的樹增強(qiáng)樸素貝葉斯網(wǎng)絡(luò)進(jìn)行了實(shí)驗(yàn)對比,結(jié)果表明,F(xiàn)WNB在分類

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論