一種樸素貝葉斯參數判別學習算法.pdf_第1頁
已閱讀1頁，還剩45頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

1、樸素貝葉斯(Na(I)ve Bayes,NB)是一種經典的機器學習算法,它具有訓練時間短,模型簡單,泛化正確率高等優(yōu)點,并且在實際生活中得到了廣泛的應用。但它也有先天的不足:不能很好的擬合訓練數據局部分布特征,生成參數學習算法不太適合分類任務等。
　　 局部加權樸素貝葉斯(Locally Weighted Na(I)ve Bayes,LWNB)是樸素貝葉斯的一種較好的改進,判別頻率估計(Discriminative Freque

2、ncy Estimate,DFE)可以極大的提高樸素貝葉斯的泛化正確率。受LWNB和DFE啟發(fā),提出收縮空間(Gradually Contracting Spaces,GCS)判別學習樸素貝葉斯參數算法:對于一個待分類實例,尋找包含全體訓練實例的全局空間的一系列逐漸縮小的子空間,這些子空間具有下列兩種性質:1、它們都包含待分類實例;2、一個空間一定包含在任何一個比它大的空間中。在逐漸縮小的空間上使用修改的DFE算法漸進的學習樸素貝葉斯N

3、B的參數,使用NB分類給定的待分類實例。與LWNB的根本不同是:GCS使用全體訓練實例學習樸素貝葉斯并且GCS可以實現為非懶惰版本。本文實現了GCS的決策樹版本(Decision tree version of GCS,GCS-T),GCS-T是非懶惰算法,它使用決策樹尋找子空間。實驗結果顯示,與C4.5以及貝葉斯分類算法Na(I)ve Bayes,BaysianNet,NaYve Bayes Tree(NFBTree),LWNB,Hi

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論