科研之友
微信
新浪微博
Facebook
分享链接
摘要
在大量的现实数据中，属性之间往往存在高度相关性，而朴素贝叶斯分类方法假定属性之间相互独立，如果不进行预处理直接将全变量参与到贝叶斯分类模型中，有时会导致其分类性能不佳。针对该问题，文中提出加权p-范数t核降维方法，并基于核矩阵特征值给出权系数计算公式；对于核函数中的参数，采用包裹式学习算法以及交叉验证确定相对最优值，最后构建了加权p-范数朴素贝叶斯分类算法。实证分析表明，相比于全变量模型、主成分分析以及单核主成分分析，利用文中提出的方法对4个医学数据集进行降维，在得到的数据集上进行朴素贝叶斯分类，可以显著提高其精度。
-
单位黔南民族师范学院; 长春工业大学
