谢小军，陈光喜，丁伯伦

(1.桂林电子科技大学 数学与计算科学学院，广西 桂林　541004；2.安徽工程大学机电学院，安徽 芜湖　241000)



基于属性加权核密度估计的朴素贝叶斯分类算法

谢小军1，陈光喜1，丁伯伦2

(1.桂林电子科技大学 数学与计算科学学院，广西 桂林541004；2.安徽工程大学机电学院，安徽 芜湖241000)

为了削弱朴素贝叶斯分类算法的属性条件独立性假设，提出了一种属性加权核密度估计的朴素贝叶斯分类算法。该算法结合条件属性与决策属性的相关系数以及互信息得到新的属性加权值，并将该加权值嵌入核密度估计的朴素贝叶斯分类算法。实验结果表明，该算法提高了分类准确率。

属性加权；核密度估计；朴素贝叶斯；分类

分类是数据挖掘的核心之一。分类算法的目的是构造分类模型，该模型通过分析训练样本数据建立分类模型，并对未知类别的数据进行分类预测。朴素贝叶斯算法由于计算高效、精度高，被广泛应用于模式识别、垃圾邮件处理、故障检测、自然语言处理、机器人导航等领域[1-4]。朴素贝叶斯算法的前提是在给定分类特征的条件下属性之间相互独立，而现实中常常不能满足属性独立性假设。针对此问题，研究人员做了大量的研究工作。文献[5-8]分别使用粗糙集属性重要度、属性之间互信息、属性之间相关系数、分类概率建立了加权朴素贝叶斯分类模型。文献[9]提出了一种基于加权核密度估计的半朴素贝叶斯分类模型，采用最小二乘交叉验证方法选择最优加权值。……