文献类型：期刊文献

中文题名：基于特征加权的多关系朴素贝叶斯分类模型

英文题名：Multi-relational Nave Bayesian Classifier Using Feature Weighting

作者：徐光美[1];刘宏哲[1];张敬尊[1]

机构：[1]北京联合大学信息服务工程重点实验室

第一机构：北京联合大学北京市信息服务工程重点实验室

年份：2014

卷号：41

期号：10

起止页码：283-285

中文期刊名：计算机科学

外文期刊名：Computer Science

收录：CSTPCD;;北大核心:【北大核心2011】；CSCD:【CSCD2013_2014】；

基金：国家自然科学基金(61372148);北京市"长城学者"计划项目(CIT&TCD20130320);北京市优秀人才培养(2010D005022000011);北京联合大学校级科研项目(zk201017x)资助

语种：中文

中文关键词：多关系数据挖掘;朴素贝叶斯;分类;互信息;特征加权

外文关键词：Multi-relational data mining （MRDM）, Naive Bayes, Classification, Mutual information, Feature weighting

摘要：为进一步提高多关系朴素贝叶斯方法的分类准确率,分析了已有的特征加权方法,并在将特征加权方法扩展到多关系的情况下结合元组ID传播方法和面向元组的统计计数方法,建立了基于特征加权的多关系朴素贝叶斯分类模型(MRNBC-W)。标准数据集上的实验结果显示,新方法可以在不增加算法时间复杂度的前提下,有效提高金融数据集的分类准确率。文中也给出了结合扩展互信息标准对属性进行过滤后,加权方法和不加权方法的分类比较。
To improve the accuracy of multi-relational naive Bayesian classifiers, this paper discussed existing feature weighting methods and upgraded the method to deal with multi-relational data directly. Based on the tuple ID propagation method and counting methods towards tuples, a multi-relational naive Bayesian classifier using feature weighting （MRNBC-W） was given. Experiments on Financial database show that with the help of feature weighting, the classifiers can give better accuracy without increase of time complexity. Furthermore, MRNBC-W based on mutual information （MRNBC-W-MI） was implemented.