基于屬性離散化的貝葉斯分類算法及其應(yīng)用研究.pdf

1、樸素貝葉斯分類算法由于其簡單且高效的優(yōu)點(diǎn)成為數(shù)據(jù)挖掘十大經(jīng)典算法之一，但是該算法在進(jìn)行分類時(shí)假定屬性間是彼此獨(dú)立的。不過，在現(xiàn)實(shí)應(yīng)用當(dāng)中這類假設(shè)通常無法成立。在本文中，通過對數(shù)據(jù)預(yù)處理和減弱樸素貝葉斯算法的條件獨(dú)立性假設(shè)來提高算法的分類準(zhǔn)確率。
　　本研究主要內(nèi)容包括：⑴提出了一種新的離散化算法ICAIM算法，通過結(jié)合三個(gè)不同離散化標(biāo)準(zhǔn)的優(yōu)點(diǎn)來改善CAIM算法的性能。ICAIM算法提高了離散區(qū)間的質(zhì)量，使離散化后的數(shù)據(jù)集的分類性能

2、更好，尤其是不平衡數(shù)據(jù)集。同時(shí)，ICAIM算法的運(yùn)行時(shí)間較CAIM算法有明顯提高。⑵提出了采用CFS算法對屬性實(shí)施選取操作，選出一組最優(yōu)的屬性子集合。在減弱樸素貝葉斯算法的條件獨(dú)立性假設(shè)的眾多方法之中，屬性權(quán)重法早已引起了研究者的重視。為進(jìn)一步減弱條件獨(dú)立性假設(shè)引發(fā)的不利影響，本文將根據(jù)各屬性對分類結(jié)果的影響程度，為不同的屬性賦予相應(yīng)的權(quán)重。本文提出的權(quán)重獲取方法不僅考慮了屬性與屬性間的依賴關(guān)系，而且考慮了屬性與類屬性間的依賴關(guān)系，使每