基于屬性離散化的貝葉斯分類算法及其應用研究.pdf

1、樸素貝葉斯分類算法由于其簡單且高效的優(yōu)點成為數(shù)據(jù)挖掘十大經(jīng)典算法之一，但是該算法在進行分類時假定屬性間是彼此獨立的。不過，在現(xiàn)實應用當中這類假設通常無法成立。在本文中，通過對數(shù)據(jù)預處理和減弱樸素貝葉斯算法的條件獨立性假設來提高算法的分類準確率。
　　本研究主要內容包括：⑴提出了一種新的離散化算法ICAIM算法，通過結合三個不同離散化標準的優(yōu)點來改善CAIM算法的性能。ICAIM算法提高了離散區(qū)間的質量，使離散化后的數(shù)據(jù)集的分類性能

2、更好，尤其是不平衡數(shù)據(jù)集。同時，ICAIM算法的運行時間較CAIM算法有明顯提高。⑵提出了采用CFS算法對屬性實施選取操作，選出一組最優(yōu)的屬性子集合。在減弱樸素貝葉斯算法的條件獨立性假設的眾多方法之中，屬性權重法早已引起了研究者的重視。為進一步減弱條件獨立性假設引發(fā)的不利影響，本文將根據(jù)各屬性對分類結果的影響程度，為不同的屬性賦予相應的權重。本文提出的權重獲取方法不僅考慮了屬性與屬性間的依賴關系，而且考慮了屬性與類屬性間的依賴關系，使每