基于频繁项集挖掘的贝叶斯分类算法

• 作者: 周志华 姜远 眭俊明
• 来源期刊: 计算机研究与发展
• 学科: 工学
• 关键词: 机器学习 贝叶斯分类 半朴素贝叶斯分类 频繁项集挖掘 集成学习
• 年，卷（期）: 2007,（8）
• 所属期刊栏目: 人工智能
• 页码范围: 1293-1300
• 页数: 8页
• 分类号: TP181
• 字数: 6022字
• 语种: 中文

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周志华	南京大学计算机软件新技术国家重点实验室	92	3105	30.0	55.0
2	姜远	南京大学计算机软件新技术国家重点实验室	24	288	7.0	16.0
3	眭俊明	南京大学计算机软件新技术国家重点实验室	1	44	1.0	1.0