-
题名散度加权的平均一阶依赖估计分类算法研究
- 1
-
-
作者
陈圣磊
高兴宇
卓超
朱昌舰
-
机构
南京审计大学经济学院
南京审计大学计算机学院
-
出处
《南京理工大学学报》
CAS
CSCD
北大核心
2024年第4期479-488,共10页
-
基金
国家自然科学基金(62276136)
江苏省研究生科研与实践创新计划项目(SJCX23_1105)。
-
文摘
平均一阶依赖估计(AODE)是对朴素贝叶斯分类算法的重要扩展,然而,AODE平等地对待各个属性,这限制了其分类性能的提升。为了准确刻画各个属性对于分类的作用,进一步提升AODE的分类性能,该文提出一种基于散度加权的AODE分类算法。该方法引入了Kullback-Leibler散度和Jessen-Shannon散度2种散度指标,基于类别的先验分布和给定属性取值的后验分布之间的散度,构建AODE分类框架中超级父属性一阶依赖估计器的权值,从而得到超级父属性一阶依赖估计器的更优组合方式。在36个加州大学机器学习数据集上的实验表明,基于散度的AODE属性加权算法显著优于原始的AODE算法。因此,散度加权能够有效提升AODE的分类性能。
-
关键词
平均一阶依赖估计
Kullback-Leibler散度
Jessen-Shannon散度
加权
-
Keywords
averaged one-dependence estimators
Kullback-Leibler divergence
Jessen-Shannon divergence
weighting
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
