一种基于粗糙集合理论的树扩张型贝叶斯网络分类器  

A Selective Tree-Augmented Bayesian Network Classifier Based on Rough Set Theory

作　　者：王志海[1] 张璠[1] 

机构地区：[1]北京交通大学计算机与信息技术学院,北京100044

出　　处：《复旦学报（自然科学版）》2004年第5期725-728,共4页Journal of Fudan University：Natural Science

摘　　要：在许多实际问题中朴素贝叶斯分类器的属性独立性假设是不成立的,为了进一步提高分类精度,许多研究者提出了一些试图放宽属性独立性假定的方法,其中树扩张型朴素贝叶斯分类器是近来广泛研究的一种有效的方法.基于基本粗糙集合理论中属性不精确或部分依赖关系的定义,提出了一种新的选择性受限树型贝叶斯网络分类器.通过实验表明该分类器在大多数实际问题上比当前两种最新的TAN分类器具有更低的误分类率,并且保持了计算上的高效性.TAN is a state-of-the-art extension of naive Bayes that can express limited forms of inter-dependence among attributes. Rough sets theory provides tools for expressing inexact or partial dependencies within dataset. A variant of TAN using rough sets theory is presented,and their tree classifier structures, which can be thought of as a selective restricted trees Bayesian classifier, are compared. It delivers lower error than both pre-existing TAN-based classifiers, with substantially less computation than is required by the SuperParent approach.

关 键 词：朴素贝叶斯分类器 粗糙集 贝叶斯网络 属性 集合理论 分类精度 依赖关系 高分 研究者 实际问题 

分 类 号：N945.12[自然科学总论—系统科学] TP391[自动化与计算机技术—计算机应用技术]