Augmented Bayes分类器的一种学习方法

摘要

Naive Bayes分类器作为一种计算简单、精度较高的分类方法,已经得到了广泛应用.但是其所作的假设:各属性之间相互独立却非常容易在现实中被违背,阻碍了分类器精度的进一步提高.而Bayes网络较好地考虑了属性之间的依赖关系,但是其计算相当复杂.Augmented Bayes分类器将两者的优点结合在一起,既考虑了属性之间的依赖关系,又保证了算法的简单性.该文从属性所拥有的信息量出发考虑,提出了Augmented Bayes分类器的一种基于熵的学习方法.最后,通过测试数据将该方法与Naive Bayes分类器和SuperParent算法进行了比较.