模式识别与人工智能
模式識彆與人工智能
모식식별여인공지능
Moshi Shibie yu Rengong Zhineng
2011年
6期
792-797
,共6页
数据挖掘%多变量离散化%最小描述长度原理(MDLP),Na(i)ve贝叶斯分类器
數據挖掘%多變量離散化%最小描述長度原理(MDLP),Na(i)ve貝葉斯分類器
수거알굴%다변량리산화%최소묘술장도원리(MDLP),Na(i)ve패협사분류기
目前很多离散化方法仅考虑单个变量,不能得到最优的离散化方案.文中提出一种多属性关系的数据离散化方法.凭借概率的模型选择和最小描述长度原理,获得多变量离散化衡量标准,基于该标准提出一种有效的启发式算法来寻找最好的离散化方案.对UCI数据集进行分类预测,实验结果表明该方法提高Na(i)ve贝叶斯分类器的学习精度.
目前很多離散化方法僅攷慮單箇變量,不能得到最優的離散化方案.文中提齣一種多屬性關繫的數據離散化方法.憑藉概率的模型選擇和最小描述長度原理,穫得多變量離散化衡量標準,基于該標準提齣一種有效的啟髮式算法來尋找最好的離散化方案.對UCI數據集進行分類預測,實驗結果錶明該方法提高Na(i)ve貝葉斯分類器的學習精度.
목전흔다리산화방법부고필단개변량,불능득도최우적리산화방안.문중제출일충다속성관계적수거리산화방법.빙차개솔적모형선택화최소묘술장도원리,획득다변량리산화형량표준,기우해표준제출일충유효적계발식산법래심조최호적리산화방안.대UCI수거집진행분류예측,실험결과표명해방법제고Na(i)ve패협사분류기적학습정도.
