微处理机
微處理機
미처리궤
MICROPROCESSORS
2010年
4期
78-82
,共5页
差分进化%朴素贝叶斯%分类器
差分進化%樸素貝葉斯%分類器
차분진화%박소패협사%분류기
朴素贝叶斯分类器(Na(i)ve Bayes,NB)因其简单、高效的特性,被广泛应用于诸多领域,然而其属性独立的假设在现实世界往往并不成立.因此许多学者针对这个问题进行了大量的研究,其中较有代表性的算法有懒惰贝叶斯规则分类器(Lazy learning of Bayesian Rules,LBR),增强树贝叶斯分类器(Tree Augmented Naive Bayes,TAN)和平均单依赖分类器(Averaged One-Dependence Estimator,AODE).而AODE分类器以较快的训练速度和较好的分类精度尤为引人注日.该算法原理是:把所有单依赖分类器(Super Parent One-Dependence Estimator,SPODE)的预测概率加起来求平均,并以平均预测概率进行分类.这种简单求平均的集成方法没有考虑到每个SPODE贡献的大小,因此分类精度达不到最优.为了弥补这种不足,我们提出一种加权SPODE集成框架,为每个SPODE赋予合适的权值,权值通过优化算法计算得到.因为是在次优解的附近寻优,所以计算时问很短.实验表明新算法比NB、AODE、WAODE、LBR和TAN等算法具有更好的性能.
樸素貝葉斯分類器(Na(i)ve Bayes,NB)因其簡單、高效的特性,被廣汎應用于諸多領域,然而其屬性獨立的假設在現實世界往往併不成立.因此許多學者針對這箇問題進行瞭大量的研究,其中較有代錶性的算法有懶惰貝葉斯規則分類器(Lazy learning of Bayesian Rules,LBR),增彊樹貝葉斯分類器(Tree Augmented Naive Bayes,TAN)和平均單依賴分類器(Averaged One-Dependence Estimator,AODE).而AODE分類器以較快的訓練速度和較好的分類精度尤為引人註日.該算法原理是:把所有單依賴分類器(Super Parent One-Dependence Estimator,SPODE)的預測概率加起來求平均,併以平均預測概率進行分類.這種簡單求平均的集成方法沒有攷慮到每箇SPODE貢獻的大小,因此分類精度達不到最優.為瞭瀰補這種不足,我們提齣一種加權SPODE集成框架,為每箇SPODE賦予閤適的權值,權值通過優化算法計算得到.因為是在次優解的附近尋優,所以計算時問很短.實驗錶明新算法比NB、AODE、WAODE、LBR和TAN等算法具有更好的性能.
박소패협사분류기(Na(i)ve Bayes,NB)인기간단、고효적특성,피엄범응용우제다영역,연이기속성독립적가설재현실세계왕왕병불성립.인차허다학자침대저개문제진행료대량적연구,기중교유대표성적산법유라타패협사규칙분류기(Lazy learning of Bayesian Rules,LBR),증강수패협사분류기(Tree Augmented Naive Bayes,TAN)화평균단의뢰분류기(Averaged One-Dependence Estimator,AODE).이AODE분류기이교쾌적훈련속도화교호적분류정도우위인인주일.해산법원리시:파소유단의뢰분류기(Super Parent One-Dependence Estimator,SPODE)적예측개솔가기래구평균,병이평균예측개솔진행분류.저충간단구평균적집성방법몰유고필도매개SPODE공헌적대소,인차분류정도체불도최우.위료미보저충불족,아문제출일충가권SPODE집성광가,위매개SPODE부여합괄적권치,권치통과우화산법계산득도.인위시재차우해적부근심우,소이계산시문흔단.실험표명신산법비NB、AODE、WAODE、LBR화TAN등산법구유경호적성능.
