基于貝葉斯的神經(jīng)元分類.pdf

1、樸素貝葉斯分類器(Na(I)ve Bayes)是一種簡單高效的分類器,在很多情況下能夠取得和一些復(fù)雜分類器相當?shù)姆诸惥?。但由于其所依賴的屬性獨立性假設(shè)在真實問題中往往并不成立,為此,圍繞如何放松獨立性假設(shè),又能取得較好的分類效果,是提高樸素貝葉斯分類的關(guān)鍵因素。其中對分類屬性恰當?shù)暮Y選,可以很好地提高分類器的分類效果,本文提出兩種屬性選擇的方法能有效的提高分類的效果,主要內(nèi)容和創(chuàng)新點如下:
　　 1.文章提出一種基于偏最小二乘

2、法的樸素貝葉斯分類屬性選擇算法。通過建立條件屬性間的偏最小二乘回歸方程,得到一個由回歸系數(shù)組成的矩陣。歸一化后對每個屬性和其他屬性間的相關(guān)性求和,和值就是該屬性的相關(guān)度。相關(guān)度越大,該屬性就越差。
　　 2.用偏最小二乘法相關(guān)性分析選取屬性可以得到各屬性間的相關(guān)性,但是各屬性分類的優(yōu)差還無從判斷。這里提出一種基于屬性取值區(qū)間關(guān)系的屬性提取方法。在樸素貝葉斯模型中同一屬性的不同類別所在的取值區(qū)間是不同的,如果太接近就說明該屬性不能

3、區(qū)分這兩個類別。依此統(tǒng)計出該屬性不能區(qū)分的類別個數(shù)。個數(shù)越少,說明該屬性分類效果越好。
　　 3.提出一種基于概率的加權(quán)樸素貝葉斯分類算法,通過對每個屬性做樸素貝葉斯分類得到該屬性分類正確的概率,把該概率作為相應(yīng)的權(quán)重,分別加在條件屬性上,得到加權(quán)后的樸素貝葉斯分類器。
　　 4.本文將以上三種方法綜合起來,以神經(jīng)元的數(shù)據(jù)為例,對其選擇屬性,加權(quán)后得到了比較理想的結(jié)果,交叉檢驗的分類正確率比沒有選擇屬性時提高了16％,以