基于WEKA平臺的貝葉斯分類器的擴展.pdf

1、分類算法是機器學(xué)習(xí)、模式識別、數(shù)據(jù)挖掘等領(lǐng)域中研究和應(yīng)用最廣泛的一個重要課題。目前已知的分類算法中一種重要的基于統(tǒng)計方法的模型是貝葉斯分類模型，在貝葉斯分類模型中實用性最高和應(yīng)用最廣泛的是樸素貝葉斯分類器。但是由于樸素貝葉斯基于的條件獨立性假設(shè)在現(xiàn)實的并不一定成立，因此為了提高其性能，研究人員們提出了多種可以表示屬性間依賴關(guān)系的樸素貝葉斯分類器的改進算法(如TAN，AODE，HNB等)。但是這些改進算法大多不能直接處理連續(xù)屬性值類型，因

2、此連續(xù)類型的屬性值必須先離散化后才能被處理，這樣可能會造成不必要的精度損失，尤其當訓(xùn)練數(shù)據(jù)中包含較多的連續(xù)變量屬性的情況下。 在本文中我們提出了通過有效地定義條件概率分布來改善基于樸素貝葉斯分類器的改進算法的性能的方法，并在Weka的框架下實現(xiàn)了我們提出的改進算法，同時考慮到AODE算法較高的空間復(fù)雜度，我們利用選擇性集成的思想對AODE算法進行了改進，以降低其存儲空間復(fù)雜度。試驗結(jié)果亦證明我們提出的改進算法與原始算法相比在性能