【作者】 李海军； 王钲旋； 王利民； 苑森淼；

【Author】 Li HaiJun~1; Wang Zhengxuanz~2; Wang Limin~2; Yuan Senmiao~2 1(School of Computer, Yantai University, Yantai 264005, China)2(College of Computer Science and Technology,Jilin University, Changchun 130012, China)

【机构】 烟台大学计算机学院； 吉林大学计算机科学与技术学院；

【摘要】 在特征属性相对于类属性统计独立时,朴素贝叶斯能达到最优的分类效率。但该条件独立性假设在许多现实问题中并不成立,这将在某种程度上影响预测准确度。这里结合主成分分析(PcA)对原始数据进行预处理,消除噪声并使数据分布具有一定程度的独立特性。在UCI数据集上分别从独立性和预测准确度方面进行了验证,取得了良好的效果。更多还原

【Abstract】 Naive Bayes is known to be optimal if predictive attributes are independent given the class. But the conditional independence assumption is rarely valid in practical learning problems and when violated, the classification performance may be affected to some extent. The principal component analysis (PCA) is used to make data set have some independence characteristics and remove noise from data. Experimental results on a variety of UCI data sets suggest great improvement from the viewpoint of prediction accuracy and independence assumption, respectively.更多还原