基于半监督学习的朴素贝叶斯分类新算法

为了在有标签的训练集中保留高质量的样本,首先利用无标签训练集得出置信度高的k个样本,再结合有标签训练样本,不断迭代直至训练完成。实验结果表明:随着无标记样本比例的不断增加,本文算法预测准确性明显高于朴素贝叶斯分类算法,而且其性能比传统半监督学习方法有所改善。

一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法

由于某些矿物,特别是与成矿作用有关的热液蚀变矿物的光谱特征差异较小,更受到矿物混合光谱等因素的影响,导致大多数光谱识别方法对一些光谱特征相似的矿物极易出现混淆和误判现象。因此,针对矿物光谱的"同物异谱"、"同谱异物"现象,提出了一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法。通过对白云母、高岭石,这两种光谱特征相近的典型蚀变矿物的实验测试、分析,并与光谱角匹配、二进制编码、光谱特征拟合等同类方法进行对比,结果表明该方法能够充分地利用吸收特征波谷位置、吸收特征深度、包络线斜率等多种矿物光谱识别属性特征,进而将不同种类的矿物更明显地予以区分,具有较高的分类识别准确率。

基于n-gram语言模型和链状朴素贝叶斯分类器的中文文本分类系统

本文提出了一个基于n-gram语言模型进行文本表示,采用链状朴素贝叶斯分类器进行分类的中文文本分类系统。介绍了如何用n-gram语言模型进行文本表示,阐述了链状朴素贝叶斯分类器与n-gram语言模型相结合的优势,分析了n-gram语言模型参数的选取,讨论了分类系统的若干重要问题,研究了训练集的规模和质量对分类系统的影响。根据863计划文本分类测评组所提供的测试标准、训练集以及测试集对本文所设计的分类系统进行测试,实验结果表明该分类系统有良好的分类效果。

基于高斯混合模型的遥感影像连续型朴素贝叶斯网络分类器

提出了一种新的嵌入高斯混合模型(GMM,Gaussian Mixture Model)遥感影像朴素贝叶斯网络模型GMM-NBC(GMMbased Na ve Bayesian Classifier)。针对连续型朴素贝叶斯网络分类器中假设地物服从单一高斯分布的缺点,该方法将地物在特征空间的分布用高斯混合模型来模拟,用改进EM算法自动获取高斯混合模型的参数;高斯混合模型整体作为一个子节点嵌入朴素贝叶斯网络中,将其输出作为节点(特征)的中间类后验概率,在朴素贝叶斯网络的框架下进行融合获得最终的类后验概率。对多光谱和高光谱数据的分类实验结果表明,该方法较传统贝叶斯分类器分类效果要好,且有较强的鲁棒性。

基于改进属性加权的朴素贝叶斯分类模型

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。

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。

基于引力模型的朴素贝叶斯分类算法

针对朴素贝叶斯分类器在分类过程中不同类别的同一特征量之间由于存在相似性,易导致误分类的现象,提出基于引力模型的朴素贝叶斯分类算法。提出以引力公式中距离变量的平方作为相似距离,应用引力模型来刻画特征与其所属类别之间的相似度,从而克服朴素贝叶斯分类算法容易受到条件独立假设的影响而将所有特征同质化的缺点,并能有效地避免噪声干扰,达到修正先验概率、提高分类精度的目的。对遥感图像的分类实验表明,基于引力模型的朴素贝叶斯分类算法易于实现、可操作性强,且具有更高的平均分类准确率。

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.

几种改进的朴素贝叶斯分类器模型

介绍了朴素贝叶斯分类器模型,分析归纳了几种基于较宽松属性间关系的改进算法,包含TANF算法、HCS及SP算法;同时在研究Adaboost集成技术的基础上,详细介绍了基于集成技术的改进朴素贝叶斯模型,该技术能够提高朴素贝叶斯分类器的分类性能。0引言在数据挖掘领域,分类是一个重要的研究方向,其关键问题是：构造一个分类器,也就是一种分类算法或者说构建一个分类模型,然后给属性集描述的实例指定最合适的标签。

基于朴素贝叶斯的半监督学习遥感影像分类

为提高分类器识别率,减少标注样本使用数量,提出一种基于朴素贝叶斯的半监督学习方法。研究基于该方法的分类器分类效果,采用遥感影像数据作为训练和测试集,与基于朴素贝叶斯的全监督学习分类器分类效果作比较。实验结果表明,当标注样本与非标注样本比例在1：2~1：9时,半监督学习可以利用比全监督学习更少的标注样本,达到更高的分类精度。

并行化的半监督朴素贝叶斯分类算法

针对当前需要对海量的文本数据进行分类和用于训练的带标记的文本数据非常匮乏这两个问题,结合半监督的朴素贝叶斯分类算法和Map-Reduce编程模型,提出了一种新型的并行化的半监督朴素贝叶斯分类(parallelized semi-supervised Nave Bayes,PSNB)算法。通过实验可以看出,PSNB算法不仅可以高效地处理海量的文本数据,还可以有效地利用无标记的文本数据来提高分类器准确率。

朴素贝叶斯分类器在化疗所致恶心呕吐风险预测模型上的应用

目的研究朴素贝叶斯分类器在化疗所致恶性呕吐风险预测模型上的应用,构建基于中国患者的化疗所致恶性呕吐风险预测模型。方法收集2020年7~9月中南大学湘雅二医院肿瘤中心300例住院化疗患者的基本资料和治疗方案,并随访患者出院后临床资料。对治疗方案中的特征和患者个体特征进行相关性分析,对相关性大于0.8的两个特征,分别计算两个特征对模型评价指标曲线下面积的贡献,去除其中贡献相对较小的特征。使用机器学习库scikit-learn中的朴素贝叶斯分类器作为化疗所致恶心呕吐风险预测模型,使用10折分层随机分割交叉验证得到模型最终结果。其中70%的样本用来训练机器学习模型,30%的样本作为测试集用来衡量模型的表现。结果急性化疗所致恶心呕吐风险预测灵敏度为0.83±0.04(95%CI:0.80~0.86),特异度为0.45±0.03(95%CI:0.42~0.47),曲面下面积为0.72±0.04(95%CI:0.69~0.75)。延迟性化疗所致恶心呕吐风险预测灵敏度为0.84±0.01(95%CI:0.83~0.86),特异度为0.48±0.03(95%CI:0.45~0.52),曲面下面积为0.74±0.02(95%CI:0.72~0.77)。结论在本研究中,基于朴素贝叶斯分类器构建了适用于中国肿瘤患者的化疗致所致恶心呕吐风险预测模型,具有较好的预测效果,为化疗致所致恶心呕吐风险预测模型提供新的研究方向和思路。

基于深度集成朴素贝叶斯模型的文本分类

针对传统朴素贝叶斯算法属于浅层学习,其特征独立性假设易引起分类效果欠佳的问题,提出一种深度集成朴素贝叶斯模型;该模型受深度森林中集成思想的启发,将高斯朴素贝叶斯、多项式朴素贝叶斯、伯努利朴素贝叶斯3种浅层基分类器集成为具有深层学习结构的朴素贝叶斯模型。结果表明:提出的深度集成朴素贝叶斯模型不仅克服了浅层学习特征表达能力不足的问题,而且缓解了特征独立性假设的缺点;通过在经典文本分类数据集上的实验,证明了提出的深度集成朴素贝叶斯模型的精确率、召回率以及精确率与召回率的调和平均数F 1值显著增大,模型性能良好。

朴素贝叶斯分类模型在中红外光谱测原料奶掺假中的应用研究

现有常规乳与乳制品掺假检测方法主要是利用鲜乳以及所掺入物质的物理化学性质进行测定,每种方法只能检测一种掺假成分,所以比较费时、烦琐。中红外光谱具有分析快速、操作方便、成本低、对样品不造成损伤、无需前处理、再现性好、不污染环境等优点。通过朴素贝叶斯分类模型建立生鲜牛奶和掺假原料奶的判别模型,判断未知样是否属于掺假原料奶。

基于朴素贝叶斯算法的电网建设资源自动化分类模型研究

提出基于朴素贝叶斯算法的电网建设人力资源自动化分类模型研究。通过网络爬虫技术,采集电网建设资源,在采集的资源信息中提取资源特征,并应用随机森林算法在特征项中选取合适的特征项,生成特征子集。采用朴素贝叶斯算法,构建基于属性相关性度量的分类模型,实现电网建设人力资源自动化分类。结果表明,在两分类和多分类条件下,文中提出的分类模型的平均适应度值分别为89.78和97.47,该分类模型能够获取准确的自动化分类结果,提高模型的适应度值,满足电网建设需求。

基于朴素贝叶斯分类器的棉花盲椿象危害等级识别

针对自然条件下棉花盲椿象危害区域提取和危害等级识别难的问题,提出了棉花盲椿象危害等级自动识别方法。该方法以自然条件下采集的不同盲椿象危害等级棉叶图像为对象,利用最大类间方差阈值分割和多颜色分量组合方法进行作物与土壤分离和病斑分割,并利用分水岭分割方法对粘连棉叶进行分离并提取盲椿象危害棉叶区域,提取图像的颜色、纹理和形状特征,结合朴素贝叶斯分类器,依据划分的棉花盲椿象危害等级标准,对盲椿象危害等级进行识别。不同盲椿象危害等级识别试验结果表明:该模型平均识别正确率达90.0%,通过比较试验表明,该模型在识别精度比BP神经网络高2.5%,运行速度比支持向量机高11.7%,可较好的对棉花盲椿象危害等级进行识别,可为棉花盲椿象的防治提供技术支持。

云计算环境下朴素贝叶斯文本分类算法的实现

采用分布式编程MapReduce模型研究了文本统一格式预处理、训练、测试以及分类等基于朴素贝叶斯文本分类算法主要计算过程的MapReduce并行化方法,并在Hadoop云计算平台进行了实验。实验结果表明:朴素贝叶斯文本分类算法MapReduce并行化后在Hadoop云计算平台上部署运行,具有较好的加速比,对中文网页文本分类识别率达到了86%。

基于贝叶斯网络分类的个人信用评估模型

本文研究了朴素贝叶斯分类器、树增强朴素贝叶斯分类器两种贝叶斯网络信用评估模型的精度,用10层交叉验证在两个真实数据集上对贝叶斯网络信用评分模型进行了测试并与的神经网络模型进行了比较。结果表明,贝叶斯网络信用评估模型具有较高的分类精度,在信用评估中具有优势。

基于属性加权朴素贝叶斯的冠心病辨证模型

在原有中医药冠心病临床治疗数据采集系统的基础上,使用中医证型的辨证相关因素,提出属性加权朴素贝叶斯算法,并应用到冠心病中医证型的分类模型之中。实验结果显示,对于冠心病4种证型的分类,运用属性加权朴素贝叶斯分类算法都略高于朴素贝叶斯分类算法。实验结果表明属性加权朴素贝叶斯分类算法在中医冠心病临床诊断中具有良好的分类性能。