利用类概率估计的加权平均树增强朴素贝叶斯网络结构

• 作者: 丁一 周海磊 林国龙
• 来源期刊: 计算机应用研究
• 关键词: 加权平均树增强朴素贝叶斯 分类概率估计 对数条件似然 网络结构
• 年，卷（期）: 2016,（5）
• 所属期刊栏目: 算法研究与建模
• 页码范围: 1335-1337,1358
• 页数: 4页
• 分类号: TP183
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2016.05.012

摘要

树增强朴素贝叶斯模型通过放松条件属性独立来改进贝叶斯模型，结构学习效率较高且简单。然而在一些实际实验测试中，树增强朴素贝叶斯分类模型的分类精确性和失误率的效果却不好。因此，设计了加权平均的树增强朴素贝叶斯分类算法来改进分类的效果，并且利用对数条件似然函数来测试分类估计的效果，给出加权平均的树增强朴素贝叶斯分类模型在训练阶段和测试阶段的算法，最后利用Weka平台公布的大量的UCI数据集通过十字交叉验证法来进行实验，结果表明加权平均树增强朴素贝叶斯分类模型明显优于最优朴素贝叶斯分类模型和树增强的朴素贝叶斯分类模型。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	林国龙	上海海事大学物流研究中心	120	554	10.0	15.0
2	丁一	上海海事大学物流研究中心	55	220	8.0	12.0
3	周海磊	上海海事大学物流研究中心	3	9	2.0	3.0