樸素貝葉斯分類器的研究與應(yīng)用.pdf

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