選擇性加權(quán)樸素貝葉斯分類方法的探討.pdf

1、樸素貝葉斯分類(Naive Bayes Classification，NBC)方法是簡(jiǎn)單的貝葉斯分類方法，在眾多分類方法和理論中，它具有計(jì)算效率高、精確度高、理論基礎(chǔ)堅(jiān)實(shí)等特點(diǎn)，因此得到了廣泛應(yīng)用。樸素貝葉斯方法假定在給定分類特征條件下屬性值之間是相互獨(dú)立的，同時(shí)認(rèn)為每個(gè)條件屬性對(duì)決策分類的重要性是相同的，但這些假設(shè)在真實(shí)數(shù)據(jù)中不一定成立，此為樸素貝葉斯方法的局限性。
　　 本文詳細(xì)介紹了貝葉斯決策理論及樸素貝葉斯分類器。詳細(xì)闡

2、述了NBC模型的優(yōu)缺點(diǎn)，引入了一種常用的屬性選擇統(tǒng)計(jì)學(xué)方法--x2統(tǒng)計(jì)量法及一種屬性加權(quán)方法—信息增益比率法來(lái)弱化其局限性，并提出進(jìn)一步改進(jìn)NBC性能的若干方法：針對(duì)屬性選擇提出尋求最優(yōu)約簡(jiǎn)子集的廣義相關(guān)函數(shù)法，建立了基于廣義相關(guān)函數(shù)的選擇性樸素貝葉斯分類器GNBC(見3.4節(jié)模型)；同時(shí)又根據(jù)x2統(tǒng)計(jì)量相關(guān)度、廣義相關(guān)函數(shù)得出屬性權(quán)重建立了加權(quán)NBC模型WKNBC及WGNBC(見4.3節(jié)模型)；最后，本文將屬性選擇和屬性加權(quán)相結(jié)合得到