一种基于朴素贝叶斯分类的特征选择方法

由于朴素贝叶斯文本分类中的独立假设前提,使得在特征选择步骤能否准确有效地选出能代表文本的特征显得尤为重要,而特征选择标准中的MI标准与TFIDF标准其优缺正好互补,因此在用朴素贝叶斯文本分类方法中的多项式模型实现了一个web页面分类系统-WEBCAT的基础上,提出将MI标准与TFIDF标准结合进行特征选择.实验显示:用改进的方法可以更准确地选出能代表文本的特征,文本分类结果也比单独使用TFIDF标准或单独使用MI标准进行特征选择的分类结果更加精确.     

基于特征多视图提升Naive Bayesian的Boosting改进算法

AdaBoost作为一种有效的集成学习方法,能够明显提高不稳定学习算法的分类正确率,但对稳定的Naive Bayesian分类算法的提升效果却不明显.为此,利用多种特征评估函数建立不同的特征视图,生成多个有差异的加权朴素贝叶斯(WNB)基分类器;尝试使用几种不同的方式将样本权重嵌入WNB基分类器的参数中,对WNB产生扰动,进一步增加基分类器的不稳定性.实验结果表明,对比AdaBoost所提算法,BoostMV-WNB能够明显提升WNB文本分类器的性能.     

处理缺失数据的朴素贝叶斯分类增量算法

在具有缺失数据的数据集的分类过程中,缺失的数据中蕴含着有用的信息未被考虑的情况会引起分类精度的下降。增量式的学习能够利用不断加入的信息更新学习模型,并充分利用先验信息求解当前问题。给出了一个利用朴素贝叶斯分类模型实现对缺失数据的增量分类的算法。该算法在增量学习的过程中考虑了缺失数据和先验信息对分类器的影响。     

浅谈科学研究纲领方法论思想

20世纪20年代逻辑实证主义的出现标志着当代西方科学哲学的成熟。当代西方科学哲学分为逻辑主义和历史主义两大学派。科学研究纲领方法论是由著名的历史主义学派代表拉卡托斯在吸收波普尔和库恩的合理思想基础上提出来的。他首先提出了新的科学划界标准;接着他指出,每一个时代的每一门学科都是一个研究纲领。拉卡托斯提出的科学进步的历史模型,比波普尔和库恩思想更接近于科学发展的实际情况,因而是当今最进步的科学研究纲领方法论。     

基于朴素贝叶斯分类的图像消噪

图像消噪是图像分割和识别的必要预处理。根据噪声的统计特征和频谱分布规律以及图像特点,人们提出并发展了多种不同的图像消噪方法。基于朴素贝叶斯分类决策的图像消噪效果良好,在图像消噪和细节保留上取得了合理的平衡。     

基于法计算学理论的人工智能辅助决策算法研究

针对法学理论和法律实践中缺乏智能决策的问题,综合考虑该领域内的业务数据特征,采用多种数据分析模型进行智能决策算法的研究.法计算学理论以法律关系的数据化智能驱动为核心,在作为法律研究与应用本体的法律关系与计算机科学领域内的数据特征属性之间建立联系,提出了"涵摄分类"概念,并对决策树、朴素贝叶斯等算法进行法律场景下的改进,建立了法律关系坐标系,实现法律关系分析的空间几何转化,最后提出了智能化的辅助决策平台.实验结果表明,该辅助决策与真实律师的办案策略与结果高度吻合,具有辅助律师决策的可行性和有效性.     

社会价值导向的朴素式创新:结构、模式与对策

朴素式创新是近年兴起的新的创新范式,特点是以草根群体的需求为创新导向,大量草根群体参与创新活动,具有鲜明的社会价值共创共赢特征。在剖析朴素式创新概念的基础上,提出朴素式创新内涵的三重组织架构,重点探讨朴素式创新的模式分类及各自特点,结合社会朴素式创新的应用案例提出促进我国朴素式创新发展的对策,为完善需求面创新政策提供有益借鉴。     

大数据环境下朴素贝叶斯分类算法的改进与实现

朴素贝叶斯分类算法是一种简单并且高效的分类算法,但条件独立性假设在现实中很难满足,导致其性能有所下降.为了解决该问题,本文在关联规则和置信度的基础上对该分类算法进行了改进.通过挖掘出来的关联规则和该规则的置信度,对不同的属性赋予不同的权重,同时实现了该分类算法的MapReduce化,从而在保持简单性的基础上有效地提高了朴素贝叶斯分类算法的分类性能.动车组运维实验表明:该算法提高了分类的准确率和效率.     

改进朴素贝叶斯算法在火灾预警中的应用（英文）

为解决实际场景中传统火灾预警系统识别准确率低的问题，提出了一种新的朴素贝叶斯(NB)算法，即改进朴素贝叶斯(INB)。用基于属性权重和正交矩阵相结合的优化方法对NB加以改进。属性权重考虑了每个决策类别下各个属性的不同取值对分类性能的影响，正交矩阵弱化了属性间的线性关系，降低了属性间的关联性，使其更贴近条件属性独立性假设。利用美国国家标准与技术研究院(NIST)有关火灾研究的报告资料作为仿真数据，构建了八个不同规模的数据集，滤波、归一化处理后用于INB的训练与测试。十次十折交叉验证结果表明，当数据集中含190组样本时，INB已得到有效训练，并展示出稳F1定的火灾预警能力。换句话说，INB可以在小样本下得到充分训练。选取支持向量机(SVM)、反向传播(BP)神经网络和NB进行对比研究，结果表明，新改进的INB算法的识别正确率、平均查准率、平均召回率和平均值在四种算法中最高，分别为96.1%、97.3%、97.2%和97.3%。此外，与其他算法相比，INB在具有更好性能的情况下，其训练时间更短，响应迅速。综上所述，INB具有良好且稳定的火灾预警性能，可以作为火灾预警系统的核心算法。     

改进朴素贝叶斯分类算法的研究与应用

由于生成参数学习方法以极大似然性为目标,从而导致分类精度较低.针对这一问题,本文提出了一种以最大化分类精度为目标的高效判别参数学习方法.该方法通过在频率估计方法中加入一个判别参数,从而判别性地计算参数的出现频率,加强实例属性与分类类别之间的关联性.在UCI数据集上的实验表明,该方法综合了生成学习与判别学习的优点,分类精度与目前主流的SVM算法相当,但是在训练时间上具有明显的优势.最后将本方法应用于油水层模式识别当中,其分类性能优于其他算法.