利用类概率估计的加权平均树增强朴素贝叶斯网络结构-计算机应用研究.PDFVIP

第３３卷第５期 计 算 机 应 用 研 究 Ｖｏｌ３３Ｎｏ５ ２０１６年５月　 ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ Ｍａｙ２０１６ 利用类概率估计的加权平均树 增强朴素贝叶斯网络结构 丁　一，周海磊，林国龙 （上海海事大学物流研究中心，上海２０１３０６） 摘　要：树增强朴素贝叶斯模型通过放松条件属性独立来改进贝叶斯模型，结构学习效率较高且简单。然而在 一些实际实验测试中，树增强朴素贝叶斯分类模型的分类精确性和失误率的效果却不好。因此，设计了加权平 均的树增强朴素贝叶斯分类算法来改进分类的效果，并且利用对数条件似然函数来测试分类估计的效果，给出 加权平均的树增强朴素贝叶斯分类模型在训练阶段和测试阶段的算法，最后利用Ｗｅｋａ平台公布的大量的ＵＣＩ 数据集通过十字交叉验证法来进行实验，结果表明加权平均树增强朴素贝叶斯分类模型明显优于最优朴素贝叶 斯分类模型和树增强的朴素贝叶斯分类模型。 关键词：加权平均树增强朴素贝叶斯；分类概率估计；对数条件似然；网络结构 中图分类号：ＴＰ１８３　　　文献标志码：Ａ　　　文章编号：１００１３６９５（２０１６）０５１３３５０３ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１３６９５．２０１６．０５．０１２ ＩｍｐｒｏｖｉｎｇｗｅｉｇｈｔｅｄａｖｅｒａｇｅｄｔｒｅｅｎａｉｖｅＢａｙｅｓｂａｓｅｄｏｎ ｃｌａｓｓｐｒｏｂａｂｉｌｉｔｙｅｓｔｉｍａｔｉｏｎ ＤｉｎｇＹｉ，ＺｈｏｕＨａｉｌｅｉ，ＬｉｎＧｕｏｌｏｎｇ （ＬｏｇｉｓｔｉｃｓＲｅｓｅａｒｃｈＣｅｎｔｅｒ，ＳｈａｎｇｈａｉＭａｒｉｔｉｍｅＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２０１３０６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：ＴｒｅｅａｕｇｍｅｎｔｅｄｎａｉｖｅＢａｙｅｓ（ＴＡＮ）ｉｍｐｒｏｖｅｓｎａｉｖｅＢａｙｅｓ（ＮＢ）ｂｙｗｅａｋｅｎｉｎｇｉｔｓｃｏｎｄｉｔｉｏｎａｌａｔｔｒｉｂｕｔｅｉｎｄｅｐｅｎ ｄｅｎｃｅａｓｓｕｍｐｔｉｏｎ，ｗｈｉｌｅｍａｉｎｔａｉｎｉｎｇｅｆｆｉｃｉｅｎｃｙａｎｄｓｉｍｐｌｉｃｉｔｙ．Ｉｎｍａｎｙｒｅａｌｗｏｒｌｄａｐｐｌｉｃａｔｉｏｎｓ，ｈｏｗｅｖｅｒ，ｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ ｏｒｅｒｒｏｒｒａｔｅｏｆＴＡＮｗａｓｎｏｔｅｎｏｕｇｈ．Ｔｈｕｓ，ｔｈｉｓｐａｐｅｒｉｎｖｅｓｔｉｇａｔｅｄｗｅｉｇｈｔｅｄａｖｅｒａｇｅｄｔｒｅｅｎａｉｖｅＢａｙｅｓ（ＡＴＡＮ）ａｌｇｏｒｉｔｈｍｔｏｉｍ ｐｒｏｖｅｉｔｓｃｌａｓｓｐｒｏｂａｂｉｌｉｔｙｅｓｔｉｍａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅ．ＡｎｄｉｔｅｓｔｉｍａｔｅｄｐｅｒｆｏｒｍａｎｃｅｏｆＡＴＡＮｉｎｔｅｒｍｓｏｆｌｏｇｃｏｎｄｉｔｉｏｎａｌｌｉｋｅｌｉｈｏｏｄ （ＬＣＬ）．Ｍｅａｎｗｈｉｌｅｉｔａｐｐｌｉｅｄｔｈｅａｌｇｏｒｉｔｈｍｏｆｔｈｅｔｒａｉｎｉｎｇａｎｄｔｅｓｔｉｎｇｔｏｅｓｔｉｍａｔｅｔｈｅｐｅｒｆｏｒｍａｎｃｅ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｗｅｒｅｄｏｎｅ ｏｎａｌａｒｇｅｎｕｍｂｅｒｏｆＵＣＩｄａｔａｓｅｔｓｐｕｂｌｉｓｈｅｄｏｎｔｈｅｍａｉｎＷｅｂｓｉｔｅｏｆＷｅｋａｐｌａｔｆｏｒｍｂｙｕｓｉｎｇｔｈｅｍｅｔｈｏｄｓｏｆｃｒｏｓｓｖａｌｉｄａｔｉｏｎ． ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＡＴＡＮｓｉｇｎｉｆｉｃａｎｔｌｙｏｕｔｐｅｒｆｏｒｍｓＴＡＮａｎｄＯＮＢａｌｌｔｈｅｏｔｈｅｒａｌｇｏｒｉｔｈｍｓｕｓｅｄｔｏｃｏｍｐａｒｅｉｎｔｅｒｍｓｏｆＬＣＬ． Ｋｅｙｗｏｒｄｓ：ｗｅｉｇｈｔｅｄａｖｅｒａｇｅｄｔｒｅｅｎａｉｖｅＢａｙｅｓ；ｃｌａｓｓｐｒｏｂａｂｉｌｉｔｙｅｓｔｉｍａｔｉｏｎ；ｌｏｇｃｏｎｄｉｔｉｏｎａｌｌｉｋｅｌｉｈｏｏｄ；ｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ 　　网络结构的构建是朴素贝叶斯分类的重要环节，结