基于选择性模式的贝叶斯分类算法

摘要：

分类问题是数据挖掘的一个重要研究课题.朴素贝叶斯分类器是分类问题中一种简单高效的分类学习技术.该分类器假定给定类标时属性之间相互条件独立,然而现实中属性之间往往具有一定的依赖关系.“属性-值”序偶构成的模式在分类问题中具有关键作用,许多研究者利用这种特定模式构造分类器,而特定模式所包含的属性与其他属性之间的依赖关系,将对分类结果产生重要影响.通过对属性间的依赖关系进行深入研究,提出基于选择性模式的贝叶斯分类算法,既利用了基于贝叶斯网络分类器的优秀分类能力,又通过进一步分析模式中属性之间的依赖关系,削弱了属性条件独立假设的限制.实验证明:根据数据集特点,深入挖掘高区分能力的模式,合理构建属性之间的依赖关系,有助于提升分类精度.实验分析表明:与基准算法NB,AODE相比,提出的分类算法在10个数据集上的平均精度分别提升了1.65％和4.29％.

关键词：分类、模式发现、选择性模式、依赖关系、贝叶斯分类器

所属期刊栏目：57

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金项目;北京市自然科学基金项目

在线出版日期：2020-10-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1605-1616