188宝金博页面版

  • 图案背景
  • 纯色背景
视图
标记
批注
批注本地保存成功，开通会员云端永久保存 去开通
一网情深

上传于：2012-09-23

粉丝量：453

免责声明：1，本账号发布文档部分来源于互联网，仅用于技术分享交流用，版权为原作者所有。 2，文档内容部分来自网络意见，与本账号立场无关。涉及政治言论一律相应删除，请大家监督。 3，如有侵犯原您的版权,请提出指正，我们将立即删除相关资料有其它问题也欢迎与本人联系，谢谢！


  • 相关
  • 目录
  • 笔记
  • 书签

188宝金博页面版:更多相关文档

  • 朴素贝叶斯分类算法的改进及应用

    星级： 2 页

  • 朴素贝叶斯分类算法的改进及应用

    星级： 4 页

  • 朴素贝叶斯分类算法的改进及应用

    星级： 4 页

  • 朴素贝叶斯分类算法的改进及初步应用

    星级： 4 页

  • 3、爬天都峰

    星级： 19 页

  • 改进朴素贝叶斯分类算法的研究与应用

    星级： 10 页

  • 改进朴素贝叶斯分类算法的研究与应用

    星级： 6 页

  • 改进朴素贝叶斯分类算法的研究与应用

    星级： 6 页

  • 朴素贝叶斯分类算法的改进及其应用

    星级： 60 页

  • 若干改进朴素贝叶斯分类算法的研究与应用

    星级： 64 页

  • 改进朴素贝叶斯分类算法的研究与应用

    星级： 6 页

  • 基于词语权重改进的朴素贝叶斯分类算法的研究与应用

    星级： 66 页

  • 基于词语权重改进的朴素贝叶斯分类算法的研究与应用

    星级： 67 页

  • 基于词语权重改进的朴素贝叶斯分类算法的研究与应用

    星级： 68 页

  • 基于词语权重改进的朴素贝叶斯分类算法的研究与应用

    星级： 66 页

暂无目录

点击鼠标右键菜单,创建目录

    暂无笔记

    选择文本，点击鼠标右键菜单，添加笔记

    暂无书签

    在左侧文档中，点击鼠标右键，添加书签

    188宝金博页面版: 朴素贝叶斯分类算法的改进及应用

    下载积分： 1000

    内容提示： Computer Engineering andApplications计算机工程与应用2011，47 （15）朴素贝叶斯分类 （Naive Bayesian Classifier， NBC）由 于计算高效、精确度高， 并具有坚实的理论基础而得到广泛的应用。 一般情况下在贝叶斯分类中的所有属性都直接或间接地发挥作用，即所有的属性都参与分类，而不是一个或几个属性决定分类。 但是在实际数据挖掘中，由于种种因素的影响，数据库中的数据都有不同程度的缺失。 因此对缺失数据的填补效果直接影响朴素贝叶斯分类的准确度。目前对缺失数据的填补方法成为研究的热点。 安德逊等[1]提出的原理是 “在正态分布下， 样本均值是估算出的最佳可...

    文档格式：PDF | 页数：4 | 浏览次数：119 | 上传日期：2012-09-23 07:21:22 | 文档星级：
    Computer Engineering andApplications计算机工程与应用2011，47 （15）朴素贝叶斯分类 （Naive Bayesian Classifier， NBC）由 于计算高效、精确度高， 并具有坚实的理论基础而得到广泛的应用。 一般情况下在贝叶斯分类中的所有属性都直接或间接地发挥作用，即所有的属性都参与分类，而不是一个或几个属性决定分类。 但是在实际数据挖掘中，由于种种因素的影响，数据库中的数据都有不同程度的缺失。 因此对缺失数据的填补效果直接影响朴素贝叶斯分类的准确度。目前对缺失数据的填补方法成为研究的热点。 安德逊等[1]提出的原理是 “在正态分布下， 样本均值是估算出的最佳可能取值”。 应用平均值填充法将会影响缺失数据与其他数据之间的相关性。 而且，如果一个大数据集采用平均值填充法，被填充的变量的频率分布有可能会产生误导， 因为过多的均值会产生更多的尖峰态分布。 神经网络 （ANN）最早是由心理学家和神经生物学家提出的， 旨在寻求开发和测试神经的计算模拟[2]。 神经网络需要很长的训练时间，并且它需要大量的参数，这些主要靠经验确定。 贝叶斯网络[3]仅适合于对领域知识具有一定了解的情况， 至少对变量间的依赖关系较清楚的情况。 否则直接从数据中学习贝叶斯网的结构不仅复杂性较高（随着变量的增加， 指数级增加）， 网络维护代价昂贵， 而且它的估计参数较多，会为系统带来高方差，影响了它的预测精度。波兰人Pawlak提出的粗糙集理论， 基于粗集理论的填充方法寻找含有缺失值的对象的相容对象集， 然后用相容对象集中出现次数最多的一个值来替代缺失值， 若相容对象集只有一个对象，则用其对应的值来替换缺失值，粗糙集的方法主要使用在条件属性缺失的处理方面[4]。EM算法有坚定的理论基础和简单、稳定的特点， 已被广泛地应用于缺损数据， 截尾数据， 成群数据， 带有讨厌参数的数据等所谓的不完全数据的处理。 该算法不仅可以对条件属性进行填补，还可以对类别属性进行填补。 目前针对EM算法存在不足的改进都是集中在加速收敛[5-7]和针对大数据集[8-9]方面进行的。 EM算法初始值的估计，对该算法的效果影响也是不可忽略的，只有选择合适的初值才能获得满意的最大EM收敛值和加速收敛。为了解决以上问题提出一种基于改进EM算法的朴素贝叶斯分类算法， 来提高分类的准确率。 根据灰色相关度给缺失属性一个估计值作为EM算法的初始值， 由 EM算法给出极朴素贝叶斯分类算法的改进及应用张亚萍， 陈得宝， 侯俊钦， 杨一军ZHANG Yaping， CHEN Debao， HOU Junqin， YANG Yijun淮北师范大学 物理与电子信息学院，安徽 淮北 235000School of Physics and Electronic Information，Huaibei Normal University，Huaibei，Anhui 235000，ChinaZHANG Yaping，CHEN Debao，HOU Junqin，et al.Improvement and application of Naive Bayesian classification.Comput-er Engineering and Applications，2011，47 （15）：134-137.Abstract： To solve the missing datas in Bayesian classification algorithm， a Naive classification algorithm based on Expecta-tion Maximization （EM） is proposed.In the method， the missing datas is estimated with Grey Related Coefficient （GRC）， thenthe estimated datas are chosen as the initial values of EM algorithm，the absent datas will be filled with iterating the EM al-gorithm in E and M steps.Finally， the samples are classified by Bayesian classification algorithm.Some experiments are usedto show the effectiveness of the given algorithm， the results indicate that the improved algorithm has the higher precise ofclustering compared with other Naive Bayesian classification algorithms.Moreover， the given methods are used to evaluationof professional titles of teachers in universities.Key words： Naive Bayesian classification；Expectation Maximization （EM） algorithm；missing data；forecasting model摘类算法。 该算法首先根据灰色相关度对缺失数据一个估计， 估计值作为执行EM算法的初始值， 迭代执行E步M步后完成缺失数要：针对朴素贝 叶斯分类算法中缺失数据填补问题， 提出 一种基于改进EM （Expectation Maximization）算法的朴素贝 叶斯分据的填补， 然后用 朴素贝 叶斯分类算法对样本进行分类。 实验结果表明， 改进算法具有较高的分类准确度。 并将改进的算法应用 于高校教师岗 位等级的评定。关键词：贝 叶斯分类； EM算法； 缺失数据； 预测模型DOI：10.3778/j.issn.1002-8331.2011.15.037文章编号：1002-8331 （2011）15-0134-04文献标识码：A中图分类号：TP301.6?数据库、信号与信息处理?基金项目：高等学校省级优秀青年人才基金项目 （No.2009SQRZ090）；安徽省自然科学基金 （No.090412070）；安徽省188宝金博页面版厅重点资助项目 （No.20100508）。作者简介：张亚萍 （1978—），女，讲师，主要研究领域为人工智能、数据挖掘；陈得宝 （1975—），男，副教授，博士。 E-mail：yapingzhangzl@126.com收稿日期：2010-12-28；修回日期：2011-03-03134

    阅读了该文档的用户还阅读了这些文档

    188宝金博页面版:关于我们

    188宝金博页面版:帮助中心

    188宝金博页面版:关注我们

    • 新浪微博

    关注188宝金博页面版公众号

    188宝金博页面版
    阅读
    APP
    阅读
    返回
    顶部
    188宝金博页面版官网登录在线平台入口（2026已更新）—江苏协昌电子科技股份有限公司