改进的增量贝叶斯模型的研究

• 作者: 李杨 苏志同
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 机器学习 朴素贝叶斯 增量学习 最小化风险
• 年，卷（期）: 2016,（8）
• 所属期刊栏目: 算 法
• 页码范围: 254-259
• 页数: 6页
• 分类号: TP181
• 字数: 7051字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2016.08.057

摘要

传统分类算法的研究主要关注批量学习任务。实际中，带标注样本很难一次性获得。且存储空间开销较大的特点，也使批量学习显现出一定的局限性。因此，需要增量学习来解决该问题。朴素贝叶斯分类器简单、高效、鲁棒性强，且贝叶斯估计理论为其应用于增量任务提供了基础。但现有的增量贝叶斯模型没有对适应新类别作出描述。同时，实验表明类别之间样本数量的不平衡，会严重影响该模型的分类性能。故基于这两个问题，提出对增量贝叶斯模型的改进，增加参数修正公式，使其可适应新出现的类别，并引入最小风险决策思想减轻数据不平衡造成的影响。取 UCI 数据集进行仿真测试，结果表明改进后的模型可以渐进提高分类性能，并具有适应新类别的能力。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	苏志同	北方工业大学计算机学院	24	109	6.0	10.0
2	李杨	北方工业大学计算机学院	9	26	4.0	5.0