论文研究-基于高斯密度的一阶贝叶斯衍生分类器.pdf下载

针对连续属性朴素贝叶斯分类器不能有效利用属性之间的条件依赖信息，而目前所进行的依赖扩展更关注效率，这使得扩展后分类器的分类准确性还有待提高等问题，使用高斯密度估计属性密度，将属性排序、分类准确性标准与属性父节点的贪婪选择结合，综合考虑效率和分类准确性，对朴素贝叶斯分类器进行依赖扩展，建立一阶贝叶斯衍生分类器，并对属性分类提供的信息进行分析。实验结果显示，基于高斯密度的一阶贝叶斯衍生分类器具有良好的分类准确性。