NAiVEBAYES和AABST提升算法应用于葡萄酒的品质测定.docVIP

NAiVEBAYES和ADABOOST提升算法应用于葡萄酒的品 质测定 葡萄酒品质测定是数据挖掘、信息处理的 一个重要应用，本文将结合朴素贝叶斯算法和 Adaboost算法，通过二分类手段解决多分类问题，并 参考相关文献对该问题进打详细的探究和解决，并呈 现该算法得到的结果。 关键词：NAVE bayes； Adaboost提升算法;应用 二分类分类器处理多分类问题 TP391 A : 1671-2064 (2017) 08-0037-01 1背景，应用二分类的分类器处理多分类问题 关于二分类处理多分类问题，目前主要有两种手 段：一种为“一对多”方法，即把一个问题分为“是” 或者“不是”，通过对n个元素进行n-1次处理，将其 进行分类；另一种为“多对一”方法，即n个元素， 对每一个元素之间比较，逐对分类，进行Cn2次，达 到实验目的。目前还有一些其他的方法正在进行研究 和学习，希望得到优化算法。 2推导分析 2.1算法思想 二分类的算法是解决分类的一个重要手段，在解 决多分类问题时，正如上文所述分为两种主要的方法 (“一对多”方法，“多对一”方法)，本课题研究着重 于前者，“一对多”的问题解决方法。简单来说，算法 本身要处理多组数据，我们将数据依次分为不同的两 类，“是”或者“否”，选择后将“是”的样本数据留 下，将“否”的数据继续重复上述的循环操作，进而 递推筛选，得到需要的结果。 2.2算法内容 这是一个运用NAIVE BAYES算法对问题的解决。 NAIVE算法主要体现在概率的精确求法，用该数据的 最大概率来对数据进行分类从而达到减小误差的功能 因此这里运用NaiveByes算法来计算品质概率，具体 的算法应用贝叶斯定理而推导得出。定理的具体内容 即有一系列待分类数据xi (i=l 即有一系列待分类数据xi (i=l、2 m)和一系列分 类项 yj (j=l 类项 yj (j=l 2 n)用上述公式求得概率P (yj|xi 我们把xi组成的集合叫做训练样本集。依次计算统计 各个特征属性即xi的条件概率估计。P (yl|xi), P (y2|xi)， (y2|xi)， P (yn|xi),如果各个xi是独立的 那么由贝叶斯定理可得： 因为分母P (x)对于所有类别均为常数，所以我 们只要将分子最大化皆可。又因为xi是条件独立的， 因而可以得到以下公式： 根据上述分析，我们可以导出贝叶斯分类的流程: 如果有 P(yk|xi)=max{P(yl|xi), P(y2|xi)， P (yn|xi) ｝则有xieyk。进而将数据分类，类此将葡 萄酒的品质进行处理。 同时该算法应用Ada boost提升算法，对所处理的 数据进行精确分类。该算法的内容主要在于将n个数 据赋予相同的权值1/n,然后将数据样本通过弱分类 器处理，如果该样本已经被准确的分类则权数增加， 否则权数降低。每次添加新的弱分类器通过下一轮迭 代，逐步确立分类函数。其应用的方式为通过对阈值 的加权求平均比重，进而对数据的分类进行优化。具 体的操作如下：首先确立一个样本的集合X: (am, n|m， n|m，n=l，2，3 ex (其中m代表迭代的轮数 n代表个体的标号数)和一个分类集合Y，(yl，y2 yk) eYo其次我们确立一个选择函数F (x)，来使F (x) -＞｛-1，1｝从而作为基本的分类器。令F (x)的误 差率为a，a为误分类的样本权数的和，然后我们计算 F (x)的重要程度用w表示w= (1/2) Xlog[ (1-a) /a]有上述表达式可以发现伴随误差的减小，w增大， 即F (x)的权增大。我们从而进行下面的循环操作， 逐步对分类的方法进行优化选择，从而达到降低误差 的目的。此时我们移入一个量Zm作为规范化因子， Zm=Lam, nexp[-wykF (xk)]，从而使得整体的概率 和保持为1，从而运用Zm规范化因子可以使数据形成 概率分布。最后我们设计组合各个弱处理器，设其为 g (x), g (x) =EwF (x)。我们从而得到最终的处理 器 d (x) =sign (g (x)) =sign (LwF (x))，进而通过 此sign函数对数据进行准确的二分类，评定算法的优 缺的重要依据为误差的大小，该算法成功的利用合理 规范阈值，合理选择等手段有效的降低了分类的误差。 3算法构架和流程 3.1算法构架 Initialization-* Data Imput-* Valuable Intializati-* Function Naive bayes-^ Training Data-^ Testing Data* Dada Output 3.2实验步骤 具体的操作和流程如下：Data采winequalityred, 在 Funct