互信息匹配的半朴素贝叶斯分类器

由于作为朴素贝叶斯分类器的主要特征的条件独立性假设条件过强且在不同数据集上表现出的差异,所以独立性假设成为众多改进算法的切入点。但也有研究指出不满足该假设并没有对分类器造成预想的影响。从降低后验概率的估计误差入手提出一种条件熵匹配的半朴素贝叶斯分类器。实验证明,该方法能有效提高朴素贝叶斯分类器的性能。

基于半朴素贝叶斯分类器的车载容迟网路由算法

在真实环境下的车载容迟网中,节点的移动模式通常具有一定的时间周期性。基于这个特性,文中提出了基于半朴素贝叶斯分类器的路由算法。该算法基于节点周期性移动的网络属性(比如数据包转发的时间和地点)划分节点类别并以此进行路由决策。相较于现有基于先验概率的算法和朴素贝叶斯算法,该算法基于包含更多信息的后验概率并着重考虑属性间的依赖关系。仿真实验结果表明,该算法相较于传统的路由算法提升了报文投递率,并减少了网络开销。

基于贪婪选择的半朴素贝叶斯分类器研究

针对朴素贝叶斯分类器忽略属性间依赖关系造成分类准确性降低的问题,提出了基于贪婪选择算法的半朴素贝叶斯分类器分组改进算法.改进过程中依据不同参数的调整和属性选择技术衍生出3种分组方法,获得不同的改进方式,建立了贪婪选择半朴素贝叶斯分类器,实验采用UCI数据库中选取的数据进行分类.结果表明,改进的分类器具有良好的分类准确率.

基于朴素贝叶斯与半朴素贝叶斯图像识别比较

将朴素贝叶斯分类器用于人体行为图像识别之中,利用高斯模糊、灰度化处理、二值化处理、直方统计函数等图像处理技术对图像数据进行约简、特征提取,然后使用朴素贝叶斯与半朴素贝叶斯对数据进行测试。利用KTH数据库做了两组对比实验,对朴素贝叶斯分类器和半朴素贝叶斯分类器的性能做了比较。实验结果表明,半朴素贝叶斯分类器比朴素贝叶斯分类器分类能力强,但与此同时,半朴素贝叶斯分类器计算所花费的时间比朴素贝叶斯分类器更多。

基于频繁项集挖掘的贝叶斯分类算法

朴素贝叶斯分类器是一种简单而且高效的分类学习算法,但是它所要求的属性独立性假设在真实世界应用中经常难以满足.为了放松属性独立性约束以提高朴素贝叶斯分类器的泛化能力,研究人员进行了大量的工作.提出了一种基于频繁项集挖掘技术的贝叶斯分类学习算法FISC(frequent item sets classifier).在训练阶段,FISC找到所有频繁项集并计算可能用到的概率估值.在测试阶段,FISC对于测试样本包含的每个项集构造一个分类器,通过集成这些分类器来给出预测结果.实验结果验证了FISC的有效性.

完全贝叶斯分类器在经济数据分类中的应用

针对贝叶斯分类器分类强关联属性导致分类准确率下降的问题,提一种完全贝叶斯分类器合理利用属性间的依赖关系优化贝叶斯分类器,对参数进行动态调整组合,同时合理剔除无关属性.采用国内外知名数据库提供的数据,通过与其他分类器的对比实验,证明了完全贝叶斯分类器在宏观与微观经济数据分类中都获得了较好的分类效果.

非参特征变换在分类问题中的研究及应用

分类问题是常见的数据分析问题之一,在分类问题中常出现不同类别类间重叠、非线性可分的情形,这使得传统分类方法在对非线性可分的数据进行分类时效果较差。根据这类数据的特点,同时将一元核密度估计特征变换与二元核密度估计的特征变换,用于构建决策边界的模型。这样能够有效地解决变量间存在一定相关关系情形下的二分类非线性可分问题。更进一步,采用One-vs-One的方法将已有的FANS方法和新提出的ADOE-FANS方法扩展,以解决多分类非线性可分问题。模拟验证和实例验证结果均表明,新提出的ADOE-FANS方法以及扩展方法具有较强的可行性和较好的分类效果。

朴素贝叶斯及其扩展模型

反垃圾邮件技术已成为人们关注的一个焦点。基于贝叶斯理论的垃圾邮件过滤技术有着独特的优势,而其中的朴素贝叶斯模型具有算法简单、有效,易于实现等优点而成为最常用的模型。本文系统地介绍了朴素贝叶斯及其扩展模型的核心思想,并对朴素贝叶斯模型的发展作了大胆的预测,这对贝叶斯垃圾邮件过滤技术具有理论和现实的意义。