摘要: 朴素贝叶斯分类器难以获得大量有类标签的训练集,而且传统的贝叶斯分类方法在有新的训练样本加入时,需要重新学习已学习过的样本,耗费大量时间。为此引入增量学习方法,在此基础上提出了属性加权朴素贝叶斯算法,该算法通过属性加权来提高朴素贝叶斯分类器的性能,加权参数直接从训练数据中学习得到。通过由Weka推荐的UCI数据集的实验结果表明,该算法是可行的和有效的。
中图分类号:
李金华;梁永全;吕芳芳. 一种加权朴素贝叶斯分类增量学习模型[J]. 计算机与现代化, 2010, 1(5): 30-32.
LI Jin-hua;LIANG Yong-quan;LÜFang-fang. An Incremental Learning Model of Weighted Naive Bayesian Classification[J]. Computer and Modernization, 2010, 1(5): 30-32.