一种基于MDL度量的选择性扩展贝叶斯分类器

摘要

朴素贝叶斯分类器是一种简单而高效的分类器,但它的条件独立性假设使其无法表示属性间的依赖关系.TAN分类器按照一定的结构限制,通过添加扩展弧的方式扩展朴素贝叶斯分类器的结构.在TAN分类器中,类变量是每一个属性变量的父结点,但有些属性的存在降低了它分类的正确率.文中提出一种基于MDL度量的选择性扩展贝叶斯分类器(SANC),通过MDL度量,删除影响分类性能的属性变量和扩展弧.实验结果表明,与NBC和TANC相比,SANC具有较高的分类正确率.