貝葉斯分類算法的研究與應(yīng)用.pdf

1、本文重點研究了數(shù)據(jù)挖掘中的貝葉斯方法，它具有堅實的數(shù)學(xué)理論基礎(chǔ),并能綜合先驗信息和數(shù)據(jù)樣本信息，成為數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)研究的熱點之一。樸素貝葉斯分類器是一種簡單而有效的概率分類方法，然而其屬性獨(dú)立性假設(shè)在現(xiàn)實世界中多數(shù)不能成立。為了改進(jìn)該方法的分類性能，近幾年已有大量研究成果，許多學(xué)者都致力于構(gòu)建能反映屬性之間依賴關(guān)系的貝葉斯分類模型。
　　本文簡要地介紹了關(guān)于樸素貝葉斯分類器和粗糙集的基本理論，包括樸素貝葉斯分類模型，基于屬性相

2、關(guān)性分析的貝葉斯分類模型，加權(quán)貝葉斯分類模型，粗糙集基本理論和屬性重要度的構(gòu)造方法。本文根據(jù)Rough Set屬性重要度理論，構(gòu)建了基于互信息的屬性子集重要度度量公式，提出屬性相關(guān)性的加權(quán)樸素貝葉斯分類算法(WCB)，該算法同時放寬了樸素貝葉斯算法屬性獨(dú)立性、屬性重要性相同的假設(shè)。通過數(shù)據(jù)仿真實驗，與基于屬性相關(guān)相關(guān)性分析的貝葉斯(CB)和加權(quán)樸素貝葉斯(WNB)兩種算法做比較，證明了該算法的有效性。
　　最后對全文的工作進(jìn)行了總