一种优化的贝叶斯分类算法

贝叶斯分类方法因具有严密的数学理论基础,于是成为一种简单而有效的数据挖掘方法;然而,贝叶斯分类器要求——条件独立性假设和每个属性权值为1,这极大降低了贝叶斯分类器的性能;针对贝叶斯分类器的局限性,文章提出了一种优化的贝叶斯分类算法;文中,首先利用粗糙集理论对待分类数据集进行属性约简,删除冗余属性;然后给出了属性权值的计算方法和公式,目的在于更准确地描述数据集的重要性和相关性;同时,通过weka3.6.2工具,以UCI机器学习数据库中的数据集为测试数据,进行了对比测试;实验结果表明:OBCA具有较高的分类准确率。

一种HTML文档的朴素贝叶斯分类算法

针对WWW的HTML(HyperTextMarkupLanguage)结构采用TFE表示,给出一种新的TFE实现方法,进而提出了一种改进的朴素贝叶斯分类算法,然后对该算法的准确性和有效性进行讨论.

基于贝叶斯分类算法的木马程序流量识别方法

针对传统计算机杀毒产品对木马程序识别问题上存在的资源消耗和杀毒滞后问题,结合网络流量的分类算法提取各种应用服务流量的特征属性,文章采用朴素贝叶斯分类算法对网络中木马程序流量进行识别。这种方法可以在一定程度上解决现有计算机杀毒产品资源消耗和杀毒滞后的问题。实验结果表明,对于网络中处在待机状态下的木马程序产生的数据流识别效果明显,只需较少量的训练样本即可获得较高的识别率。

基于粗糙集理论和朴素贝叶斯分类算法的汽轮发电机振动故障诊断

汽轮发电机组结构及振动的复杂性使其故障具有多层次性和随机性,以及故障信息不完整性等特点。对此,提出了一种基于粗糙集理论与朴素贝叶斯分类算法的汽轮发电机组振动故障诊断方法。通过粗糙集理论求取最小属性约简集,并在此基础上利用朴素贝叶斯分类算法诊断出故障概率最大的区,最后针对具体的故障设定值对该方法进行验证。实际算例结果表明,该方法能在故障信息不完整甚至丢失核心属性的情况下得到较好的诊断结果,提高了系统诊断的容错性。

顾及扩展贝叶斯分类算法的计算机网络涉密信息安全应用系统

顾及扩展贝叶斯分类算法(Extended Bayesian Classification Algorithms,EBCA)的计算机网络涉密信息安全应用系统,当前仅仅处于发展的初始阶段。多研究人员都无法描述相互之间的一些关系。本研究以计算机网络安全的涉密信息安全为核心,巧妙利用EBCA反向传播模型,综合使用非线性函数的功能提出了顾及EBCA的计算机网络涉密信息安全应用系统,有效解决了复杂的交联关系,同时通过仿真实验对所提出的模型进行了有关验证。顾及EBCA的计算机网络涉密信息安全应用系统的设计与实施提供理论支撑。

基于贝叶斯分类算法的参赛情况预测系统

应用数据挖掘方法中的贝叶斯分类算法设计参赛情况预测系统,设计的系统可预测大学生的参赛情况,对正确引导大学生参赛具有重要的作用。

基于朴素贝叶斯分类算法的数据库入侵检测系统

在网络信息安全体系中,数据库的安全保护最为关键,入侵检测系统(IDS)是目前较为理想的数据库安全工具。论文提出了一种数据库入侵检测方法,包含一种可反映同一个数据库事务中SQL语句的关联性的数据库日志数据结构,以及采用朴素贝叶斯分类算法(NBC)的机器学习算法与入侵检测算法。实验证明,论文提出的检测系统具备较高的准确率。

基于朴素贝叶斯分类算法的股指预测研究

预测大盘指数的涨跌幅度在股票投资中具有重要的意义。大盘指数的涨跌既与国家的宏观经济政策有关,也与大盘指数自身运行状态有关。结合朴素贝叶斯分类算法和股票大盘指数涨跌的影响因素建立了大盘指数分类预测模型,以上证指数为例进行了实验,结果表明分类预测模型有效,准确性较高。

基于朴素贝叶斯分类算法的学员流失预警应用研究

学员流失控制是软件技术培训学校工作中的一个突出问题。本文以某软件技术培训学校为例,研究基于朴素贝叶斯分类算法构建学员流失预警系统,实现数据导入、概率统计、数据挖掘及学员流失预警,为学校提供决策参考;并在文末提出了展望。

基于朴素贝叶斯分类算法的活跃网络结构挖掘

研究了利用朴素贝叶斯分类算法对电子邮件进行分类处理,引入了活跃网络和活跃度的概念,提出了犯罪组织通讯网络的描述算法以及组织结构的挖掘算法,实验证明了算法的有效性。

基于统计直方图的贝叶斯分类算法的改进

建立统计直方图模型,通过对正检率及漏检率的统计分析,确认算法中所需的先验知识及先验概率公式,最终实现了贝叶斯分类模型.

关系学习中贝叶斯分类算法的比较研究

数据分类是数据挖掘的主要内容之一,通过分析训练数据样本,产生关于类别的精确描述。贝叶斯分类是数据挖掘领域中一种常用的有效分类方法。在关系学习中,贝叶斯分类算法有很多种,对这些算法进行总结、比较,指出其优点与不足,对提高分类效率有很大帮助。本文对已有的关系学习中贝叶斯分类算法作了详细的比较,并进行归纳总结。在单关系学习中重点介绍了几种基于粗糙集的贝叶斯分类器和加权贝叶斯分类算法,并分析了各种方法的模型、权值确定方法、优缺点及进一步工作方向。在多关系学习中主要比较了几种基于语义关系图的贝叶斯分类算法,重点介绍了MI-MRNBC模型。最后对本文工作进行了总结与展望,提出进一步工作方向是研究基于粗糙集的多关系贝叶斯分类算法。

改进贝叶斯分类算法的MapReduce并行调度算法

在分析作业划分及现有调度策略的基础上,提出了改进贝叶斯分类算法的作业调度策略,对贝叶斯分类调度算法及MapReduce默认调度方式处理大规模数据时面临的问题进行了阐述,详细地介绍了该改进算法的具体思路和整体流程,描述了该改进算法的具体实现,分析了该调度算法相对其它调度算法的优势。通过实验验证采用改进的贝叶斯调度算法与常用调度算法执行速度进行比较,取得了较好的效果。

基于文本过滤的贝叶斯分类算法的改进

针对传统贝叶斯分类算法无法满足复杂网络文本过滤需求,提出一种多词-贝叶斯分类算法(Multi Word-Bayes,MWB)。该算法一方面引入了特征权重(Term Frequency-Inverse Document Frequency,TF-IDF)的计算思想,优化了传统贝叶斯分类算法只考虑词频不考虑文本间关系的问题;另一方面将词与词间的关系作为文本分类的重要参考项,克服了传统贝叶斯分类算法在分类器训练上对语义分析的忽视。实验结果表明,MWB在垃圾文本过滤上具有更好的分类性能。

贝叶斯分类算法和非线性统计在安徽省宣州区农村剩余劳动力研究中的应用

本文运用了非线性回归预测理论和数据挖掘中贝叶斯分类算法,通过第五次全国人口普查及专题调查资料,对宣州区农村劳动力现状及转移状况进行建模和预测。根据此模型,本文提出了适合农村劳动力就业及转移的途径。

基于属性关联的朴素贝叶斯分类算法

针对传统朴素贝叶斯分类算法处理多维连续型数据时准确率较低的问题,提出基于属性关联的改进算法。通过高斯分割对属性类别不同的多维连续型数据集进行离散化处理,并使用拉普拉斯校准、属性关联和属性加权方法改进朴素贝叶斯分类过程。实验结果表明,与基于拉普拉斯校准或属性加权的改进算法相比,该算法能够提高分类准确率,且提升幅度在一定范围内随着属性数量的增加而增加,适用于多维连续型数据的分类。

朴素贝叶斯分类算法在大学生体质分析中的应用

基于大数据对大学生体质进行分类预测,有助于大学体育治理体系的建设,朴素贝叶斯模型是一种操作简单且性能较好的机器学习分类算法。基于朴素贝叶斯分类算法,采用广州商学院2014、2015年学生体测数据及其评分结果作为源数据,构建大学生体质分类器。应用此分类器可对大学生的体质状况实现一定概率意义上正确的判断,从而可以对体质存在隐患概率比较大的学生给出主动性预警,以便大学体育对学生进行群体性的体质判断、进行个性化的有效干预,从而促进学生健康发展,提高大学生整体体质水平。分类器模型用Python编码实现,最后用与训练数据不重叠的历史体质数据检测分类器的准确率,结果显示,基于朴素贝叶斯算法的体质分类器达到了78%的正确率。

基于贝叶斯分类算法的方剂歌诀学习系统设计与实现

目的:方剂学习是中医传承的一个重要环节,为了更好地利用现代技术传承中医文化,把传统中医歌诀和现代计算机技术相结合,采用文字、图像等多媒体手段进行表达,制定方剂君臣佐使关联查询规则。方法:采用朴素贝叶斯分类算法对方剂中的君臣佐使信息进行统计分类,设计的方剂歌诀学习系统通过互联网、微信、手机App等方式进行转播。结果:朴素贝叶斯分类算法可以很好地把不同种类的方剂通过方药君臣佐使概率关联起来,帮助学习者实现方剂君臣佐使关联学习的目的,并有助于研究者发现方药中君臣佐使组合的某种规律。结论:探讨了朴素贝叶斯对方剂歌诀数字化信息查询组合方法,对中医方剂的学习起到了积极的作用。

基于贝叶斯分类算法的用户评论数据挖掘系统设计

随着人工智能和大数据的蓬勃发展,传统的现场购物的方式已经被颠覆,电子购物逐渐成为人们生活不可或缺的一部分。电子购物不仅方便了消费者,而且电商平台也可以获得海量的非结构化文本数据,如商品描述、用户评论、用户咨询等,进而实现商品优化。但是电商平台所获得的信息繁冗复杂,数据量大且夹杂大量无效信息,如何从其中高效提取有效信息成为电商平台发展的掣肘所在。基于这一关键问题,一种全新的数据挖掘系统被提出。以某知化妆品为案例,通过Python爬取其购物评论,利用WordCloud制作词云,从词云图捕捉客户对商品的满意度以及客户对商品的主要关注点。随后基于朴素贝叶斯分类算法对评论进行类别训练,并提取好差评评论中的敏感词汇,进而找到商品改进的突破点。

基于粗糙集贝叶斯分类算法的综合能耗特征识别研究

如何从用户能耗数据中准确地挖掘出有价值的信息一直是电力行业的研究热点,而贝叶斯分类算法则是机器学习和数据挖掘研究领域中常用的数据处理方法之一。此方法具有简单、高效以及分类效果稳定的优点,而且可以建立可对数据库中给定类别的数据记录进行映射的模型以及可描述能耗数据以预测趋势的模型,从而为用户综合能耗特征识别提供有效的解决方案。但是传统的贝叶斯分类算法的分类精度较低,往往不能满足其他对于分类精度有着高要求的研究需求。基于这种情况,通过构建扩展模型,设计了基于粗糙集理论的贝叶斯分类算法,从而满足用户综合能耗特征识别中对于分类精度的需求。最后,通过直接的实验结果来验证基于粗糙集贝叶斯分类算法的综合能耗特征识别可以在很大程度上提高分类精度。