基于粗集的朴素贝叶斯分类算法及其应用

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (29): 189-191.

基于粗集的朴素贝叶斯分类算法及其应用

杨帆¹,张彩丽²

1.陕西科技大学电信学院,陕西咸阳 712081
2.陕西科技大学机电学院,陕西咸阳 712081

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-10-11 发布日期:2007-10-11
通讯作者: 杨帆

Rough set based na?觙ve bayesian classification algorithm and it’s application

YANG Fan¹,ZHANG Cai-li²

1.Institute of Electricity and Information Engineering,Shaanxi University of Science & Technology,Xianyang,Shaanxi 712081,China
2.Institute of Mechanical and Electrical,Shaanxi University of Science & Technology,Xianyang,Shaanxi 712081,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-10-11 Published:2007-10-11
Contact: YANG Fan

摘要/Abstract

摘要： 朴素贝叶斯方法是数据库分类知识挖掘领域一项基本技术,具有广泛的应用。论文针对朴素贝叶斯方法的限制,提出了基于粗集理论的贝叶斯的分类知识挖掘方法。该方法首先基于粗集理论的属性约简能力,根据数据库中条件属性和决策属性之间的依赖关系,进行属性的约简处理,然后基于朴素贝叶斯方法进行分类知识挖掘。实验结果表明,基于粗集理论的贝叶斯分类方法改善了贝叶斯分类方法中属性之间独立的限制,简化了挖掘模型,使挖掘性能具有明显的优化。

关键词: 粗糙集, 贝叶斯, 信息约简, 数据挖掘

Abstract: Na?觙ve Bayesian method is basic technology that has been applied widely for class knowledge discover in database.Since the restriction of attribute dependency in na?觙ve Bayesian method,Rough set theory based Bayesian class knowledge mining method has been proposed.With this method,dependency relation between conditional attributions and class attribution has been taken synthetically into account,attributes of conditional attributions has been reduced based on rough set with its ability of attribution reduction,finally na?觙ve Bayesian method with reduced attributions has been used for the class knowledge discover in database.Experiment result indicates that rough set based Bayesian class model can ameliorate the restriction of attributions independence in na?觙ve Bayesian method,simplify class mode mining model and optimize markedly performance of mining arithmetic.

Key words: rough set, na?觙ve Bayes, attribute reduction, classified knowledge

杨帆¹,张彩丽² . 基于粗集的朴素贝叶斯分类算法及其应用[J]. 计算机工程与应用, 2007, 43(29): 189-191.

YANG Fan¹,ZHANG Cai-li² . Rough set based na?觙ve bayesian classification algorithm and it’s application[J]. Computer Engineering and Applications, 2007, 43(29): 189-191.

[1]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	王庆荣，马辰坤. 面向案例消耗推理的应急物资预测[J]. 计算机工程与应用, 2021, 57(22): 281-287.
[4]	赵宇，祝义，于巧，陈小颖. 基于分层数据筛选的跨项目缺陷预测方法[J]. 计算机工程与应用, 2021, 57(20): 279-286.
[5]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[6]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[7]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[8]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[9]	刘玉锋，孙文鑫. 一般多粒度量化软粗糙集模型[J]. 计算机工程与应用, 2021, 57(12): 137-143.
[10]	刘桂枝. 维度变化的不完备混合型数据增量式属性约简[J]. 计算机工程与应用, 2021, 57(12): 161-169.
[11]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[12]	郭雪昆，秦远辉，杜亮，罗永亮，王宏安. 基于MEBN的大型舰船舰面保障作业检测[J]. 计算机工程与应用, 2021, 57(1): 242-253.
[13]	陈海洋，刘喜庆，环晓敏. 一步预测的SVDDBN缺失数据插补算法[J]. 计算机工程与应用, 2020, 56(7): 81-87.
[14]	安葳鹏，程小博，刘雨. Fleiss’ Kappa系数在贝叶斯决策树算法中的应用[J]. 计算机工程与应用, 2020, 56(7): 137-140.
[15]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.