论文研究 条件互信息度量BSNBC分类学习算法.pdf

在综合考虑算法效率与效用性的基础上提出了一种新的有界半朴素贝叶斯分类(bounded seminaive Bayesian classifier,BSNBC)算法。传统的SNBC仅能将两个属性构成一个组合属性,大大制约了SNBC的分类性能。BSNBC在一定程度上克服了SNBC的上述弱点,它能将最多K个属性组合成一个组合属性节点。IP算法与LP算法可用于学习BSNBC,但是它们的搜索过程带有一定的盲目性。提出的算法利用条件互信息将关联性大的属性组合在一起。实验证明了其有效性。