基于粗集理論的自主式樸素貝葉斯學(xué)習(xí)算法研究.pdf

1、機(jī)器學(xué)習(xí) (知識(shí)獲取) 的目標(biāo)是將大量數(shù)據(jù)中所隱含的知識(shí)發(fā)現(xiàn)出來(lái)，也就是將知識(shí)從人們難于理解、操作和使用的數(shù)據(jù)表達(dá)形式轉(zhuǎn)化為便于人們理解、操作和使用的決策規(guī)則形式的表達(dá)形式。由此可以看出，機(jī)器學(xué)習(xí)過(guò)程，實(shí)質(zhì)上是知識(shí)的一個(gè)形式轉(zhuǎn)換過(guò)程，而不是知識(shí)的產(chǎn)生過(guò)程。在傳統(tǒng)的機(jī)器學(xué)習(xí)研究中，人們都借助于部分領(lǐng)域先驗(yàn)知識(shí)，然而，在很多情況下這些先驗(yàn)知識(shí)(假設(shè))不能很好地滿足實(shí)際情況，而且如果人類對(duì)待研究的問(wèn)題還沒(méi)有很好的認(rèn)識(shí)，這些方法就難以適用。數(shù)據(jù)

2、驅(qū)動(dòng)的自主式學(xué)習(xí)是研究在知識(shí)發(fā)現(xiàn)過(guò)程中盡量擺脫對(duì)先驗(yàn)知識(shí)或?qū)＜?領(lǐng)域)知識(shí)的依賴，由數(shù)據(jù)自主地完成知識(shí)的獲取過(guò)程。 樸素貝葉斯(Naive Bayes，簡(jiǎn)稱NB)由于它的簡(jiǎn)單和計(jì)算高效，并具有堅(jiān)實(shí)的理論基礎(chǔ)而得到了廣泛應(yīng)用。然而，樸素貝葉斯分類基于一個(gè)簡(jiǎn)單的假定：在給定分類特征條件下屬性之間是相互獨(dú)立的，同時(shí)認(rèn)為：每個(gè)條件屬性對(duì)分類特征(決策屬性)的重要性是相等的。然而，在現(xiàn)實(shí)世界中，這種假設(shè)經(jīng)常是不滿足的。對(duì)此很多學(xué)者提出了加

3、權(quán)樸素貝葉斯、選擇樸素貝葉斯、樹(shù)型擴(kuò)張型樸素貝葉斯及貝葉斯網(wǎng)絡(luò)等改進(jìn)算法，然而這些算法均未能根據(jù)數(shù)據(jù)本身的特點(diǎn)實(shí)現(xiàn)自主式學(xué)習(xí)。 本文對(duì)數(shù)據(jù)驅(qū)動(dòng)的自主式學(xué)習(xí)問(wèn)題進(jìn)行了較深入的研究，基于 Rough 集的屬性重要性理論，分別從代數(shù)觀、信息觀及綜合代數(shù)觀和信息觀的角度給出了屬性權(quán)值的求解方法，提出了 AWNB (基于代數(shù)觀的加權(quán)樸素貝葉斯)、IWNB (基于信息觀的加權(quán)樸素貝葉斯) 和 SWNB (綜合代數(shù)觀和信息觀的加權(quán)樸素貝葉斯)