基于改进属性加权的朴素贝叶斯分类模型.pdfVIP

132 2010．46(4) ComputerEngineeringandApplaions计算机工程与应用 基于改进属性加权的朴素贝叶斯分类模型 李 方，刘琼荪 LIFang，LIUQiong—sun 重庆大学 数理学院，重庆 400030 College ofMathematicsand Physics，ChongqingUniversity，Chongqing400030，China E—mail：hszws@ 126．corn LIFang，LIU Qiong-sun．NaiveBayesian classifiermodelbased on improved weightedattributesC·omputerEngineering andApplications，2010。46(4)：132-133． Abstract： To improve attribute weighted the naive Bayesian classifier model，a new measurementmethod ofthe inter—related weightedattributesis structured．The experimentprovesthatthe naive Bayesian classifiermodelis superior to the classification modelproposed byZhangShun—zhong eta1． Key words：attributeweighted；naiveBayesian；classi6cati0n model；relevantmeasure 摘 要：构造了一种新的属性间相关性度量方法，提出了改进属性加权的朴素贝叶斯分类模型。经实验证明，提 出的朴素贝叶斯分 类模型明显优于张舜仲等人提出的分类模型。 关键词：属性加权；朴素贝叶斯；分类模型；相关性度量 DOI：10．3778~．issn．1002—8331．2010．04．042 文章编号：1002—8331(2010)04—0132—02 文献标识码：A 中图分类号：TP301 1 引言 本 =( …，)属于类别Ck(1≤ ≤m)的概率可由贝叶斯 分类是机器学习、数据挖掘方面的核心问题。近年来，从数 公式计算。需要计算：P(CdX)=等 盟ocPX(C／k)P()， 据中提炼信息和构造可靠的分类器逐渐成为—个热门课题。分 即P(CJX)的值取决于计算P(X／C~)和P( )。计算P(Ck)一 类的方法有很多，如神经网络、决策树、遗传算法、支持向量机 s加，其中sk是类别Ck的训练样本数，n是总的训练样本数。 和贝叶斯分类器等。贝叶斯分类器由于具有坚实的数学理论基 础并能综合先验信息和样本数据信息，已成为分类问题的研究 P(XC／~)：兀尸(誓 ) 热点之一。而朴素贝叶斯分类器 (NafveBayesianClassifier， NBC)是一种简单高效的分类器 ，在很多情况下能够取得和一 判别规则：当P(C~X／)P(CdX)，k≠ 时，则 =( …， 些相对复杂的分类器相当的分类精度。但由于其所依赖的属性 ％)∈Ck。 独立性假设在真实问题中往往并不成立，为此，围绕如何放松 对于式 (1)需要假设P个属性是相互独立的，但实际问题 独立性假设，又能取得较好的分类效果 ，许多学者做了大量的 中独立性假设一般不能成立。该文基于属性相关性分析在公式 工作。如RonaldR．Ya 1于2004年5月提出了一种通过有序加 (1)中加上权重系数以放松独立性的假设，即将式(1)修改为 P 权算子作为概率乘积的权重来扩展朴素贝叶斯分类器 ；程克 P(x／c~)=w·IIP(xC／~)，问题的关键是恰当地构造权重系数W。 非、张聪f于2006年 1O月提出了一种由数据导出特征加权的 方法来改善朴素贝叶