属性加权的朴素贝叶斯集成分类器  

Nave Bayesian ensemble classifier using attribute weighting

作　　者：张雯[1] 张化祥[1] 

机构地区：[1]山东师范大学信息科学与工程学院,济南250014

出　　处：《计算机工程与应用》2010年第29期144-146,共3页Computer Engineering and Applications

基　　金：山东省自然科学基金(No.Y2007G16);山东省科技攻关计划项目(No.2008GG10001015);山东省高新技术自主创新工程专项计划(No.2007ZZ17);山东省电子发展基金项目(No.2008B0026)~~

摘　　要：为提高朴素贝叶斯分类器的分类精度和泛化能力,提出了基于属性相关性的加权贝叶斯集成方法(WEBNC)。根据每个条件属性与决策属性的相关度对其赋以相应的权值,然后用AdaBoost训练属性加权后的BNC。该分类方法在16个UCI标准数据集上进行了测试,并与BNC、贝叶斯网和由AdaBoost训练出的BNC进行比较,实验结果表明,该分类器具有更高的分类精度与泛化能力。A Weighted Naive Bayesian Ensemble Classification（WEBNC） algorithm based on correlation degree of attributes is proposed to improve the classification performance of classifiers.A weight is set to each attribute according to its correlation degree with the decision attribute, and the training data with weighted attributes are sampled to learn member classifiers. The algorithm is tested on 16 UCI datasets,and compared with Naive Bayesian Classifier（BNC）,BNC net and BNC trained based on AdaBoost.The results illustrate the ensemble classifier improves the classification performance.

关 键 词：朴素贝叶斯分类器 相关度 相关系数 属性加权 ADABOOST 

分 类 号：TP391.4[自动化与计算机技术—计算机应用技术]