基于特征加权的多关系朴素贝叶斯分类模型  

Multi-relational Nave Bayesian Classifier Using Feature Weighting

作　　者：徐光美[1] 刘宏哲[1] 张敬尊[1] 

机构地区：[1]北京联合大学信息服务工程重点实验室,北京100101

出　　处：《计算机科学》2014年第10期283-285,共3页Computer Science

基　　金：国家自然科学基金(61372148);北京市"长城学者"计划项目(CIT&TCD20130320);北京市优秀人才培养(2010D005022000011);北京联合大学校级科研项目(zk201017x)资助

摘　　要：为进一步提高多关系朴素贝叶斯方法的分类准确率,分析了已有的特征加权方法,并在将特征加权方法扩展到多关系的情况下结合元组ID传播方法和面向元组的统计计数方法,建立了基于特征加权的多关系朴素贝叶斯分类模型(MRNBC-W)。标准数据集上的实验结果显示,新方法可以在不增加算法时间复杂度的前提下,有效提高金融数据集的分类准确率。文中也给出了结合扩展互信息标准对属性进行过滤后,加权方法和不加权方法的分类比较。To improve the accuracy of multi-relational naive Bayesian classifiers, this paper discussed existing feature weighting methods and upgraded the method to deal with multi-relational data directly. Based on the tuple ID propagation method and counting methods towards tuples, a multi-relational naive Bayesian classifier using feature weighting （MRNBC-W） was given. Experiments on Financial database show that with the help of feature weighting, the classifiers can give better accuracy without increase of time complexity. Furthermore, MRNBC-W based on mutual information （MRNBC-W-MI） was implemented.

关 键 词：多关系数据挖掘 朴素贝叶斯 分类 互信息 特征加权 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]