论文研究利用类概率估计的加权平均树增强朴素贝叶斯网络结构.pdf

树增强朴素贝叶斯模型通过放松条件属性独立来改进贝叶斯模型，结构学习效率较高且简单。然而在一些实际实验测试中，树增强朴素贝叶斯分类模型的分类精确性和失误率的效果却不好。因此，设计了加权平均的树增强朴素贝叶斯分类算法来改进分类的效果，并且利用对数条件似然函数来测试分类估计的效果，给出加权平均的树增强朴素贝叶斯分类模型在训练阶段和测试阶段的算法，最后利用Weka平台公布的大量的UCI数据集通过十字交叉验证法来进行实验，结果表明加权平均树增强朴素贝叶斯分类模型明显优于最优朴素贝叶斯分类模型和树增强的朴素贝叶斯分类模型。