樸素貝葉斯分類器的集成學習方法研究.pdf

1、分類方法是機器學習、模式識別和數據挖掘等研究的核心問題，它在圖像識別、語音理解、自然語言處理、醫(yī)療診斷及Web頁面的分類日錄等領域具有廣泛的應用。自20世紀90年代后，集成學習（Ensemble Learning）逐漸成為機器學習新的研究方向，它是通過將多個學習系統(tǒng)的學習結果以某種方式融合，以此來提高學習系統(tǒng)的性能。通常，集成學習主要用于不穩(wěn)定的學習算法，如決策樹、神經網絡等。由于集成學習能夠提高學習系統(tǒng)的泛化能力，最近，人們開始將集成

2、學習用于穩(wěn)定的學習算法。
　　 本文研究了樸素貝葉斯分類器的集成方法。由于樸素貝葉斯是一種穩(wěn)定的學習方法，為了應用集成學習，通過隨機Oracle方法破壞其穩(wěn)定性，利用熵差異性度量研究了樸素貝葉斯集成的差異性。在此基礎上，進一步研究了基于選擇策略的樸素貝葉斯集成，提出了兩種基于Oracle的樸素貝葉斯選擇性集成算法，實驗驗證了這些算法的分類性能，結果表明該學習算法顯著提高了樸素貝葉斯分類的正確率，同時也表明這些算法在一定程度上優(yōu)于