基于模型似然的超1-依赖贝叶斯分类器集成方法

作者：李楠; 姜远; 周志华

来源：模式识别与人工智能, 2007, (06): 727-731.

DOI：10.3969/j.issn.1003-6059.2007.06.001

• 机器学习
• 数据挖掘
• 贝叶斯学习
• 朴素贝叶斯
• 集成学习 Machine Learning
• Data Mining
• Bayesian Learning
• Naive Bayes
• Ensemble Learning

平均1-依赖贝叶斯分类器(AODE)是一种重要的贝叶斯学习方法,但由于其平等看待各个超1-依赖贝叶斯分类器输出,可能对最终结果造成不好影响.本文将每个超1-依赖贝叶斯分类器看作一个产生式模型,并通过模型似然度量超1-依赖贝叶斯分类器的性能,进而提出基于模型似然的超1-依赖贝叶斯分类器集成方法(LODE).与AODE 相比,LODE 仅增加较少计算量却显著提高分类性能.

• 单位
  南京大学; 计算机软件新技术国家重点实验室