一种改进的最大相关最小冗余选择性贝叶斯分类器_马勇.pdfVIP

34 1 Vol． 34 No． 1 第 卷 第 期 北 京 科 技 大 学 学 报 2012 1 Journal of University of Science and Technology Beijing Jan． 2012 年 月 一种改进的最大相关最小冗余选择性贝叶斯分类器 马 勇 仝瑶瑶 程玉虎 ， 221116 中国矿业大学信息与电气工程学院 徐州 通信作者，E-mail :lcxtynf@ 163. com K ， mRMR SBC． ， K 摘 要 利用 均值聚类和增量学习算法扩大训练样本规模 提出一种改进的 一方面 利用 均值聚类预测 ， ， K 测试样本的类标签 将已标记的测试样本添加到训练集中 并在属性选择过程中引入一个调节因子以降低 均值聚类误标 ． ， ， ， 记带来的风险 另一方面 从测试样本集中选择有助于提高当前分类器精度的实例 把它加入到训练集中 来增量地修正贝 ． ， mRMR SBC ， ， 叶斯分类器的参数 实验结果表明 与 相比 所提方法具有较好的分类效果 适于解决高维且含有较少类标签的 数据集分类问题． ; ; ;K ; 关键词 分类器 属性选择 冗余 均值聚类 增量学习 分类号 TP 18 An improved maximum relevance and minimum redundancy selective Bayesian classifier MA Yong ，TONG Yao-yao ，CHENG Yu-hu School of Information and Electrical Engineering ，China University of Mining and Technology ，Xuzhou 221116 ，China Corresponding author ，E-mail :lcxtynf@ 163. com ABSTRACT A kind of improved mRMR SBC was proposed by using K-means clustering and incremental learning algorithms to en- large the scale of training samples． On one hand ，the testing samples are labeled using the K-means clustering algorithm and are added to the training set． A regulatory factor is introduced into the process of attribute selection to reduce the risk of mislabel resulting from K- means clustering． On the other hand ，some samples that are most helpful for improving the current classification accuracy are selected from the testing set and