朴素贝叶斯分类器不能有效地利用属性之间的依赖信息, 而目前所进行的依赖扩展更强调效率, 使扩展后分类器的分类准确性还有待提高. 针对以上问题, 在使用具有平滑参数的高斯核函数估计属性密度的基础上, 结合分类器的分类准确性标准和属性父结点的贪婪选择, 进行朴素贝叶斯分类器的网络依赖扩展. 使用UCI 中的连续属性分类数据进行实验, 结果显示网络依赖扩展后的分类器具有良好的分类准确性.
2022-04-09 12:26:16
172KB
1
该资源为机器学习算法2详细讲解，包括朴素贝叶斯、支持向量机、EM算法、HMM模型、集成学习进阶以及拓展理论和实践案例等详细讲解。
2022-04-06 19:06:32
30.48MB
针对朴素贝叶斯分类算法中缺失数据填补问题，提出一种基于改进EM（Expectation Maximization）算法的朴素贝叶斯分 类算法。实验结果表明，改进算法具有较高的分类准确度。并将改进的算法应 用于高校教师岗位等级的评定
2022-03-27 20:51:05
1.43MB
1
SVMImageClassification:基于SVM的简单机器学习分类，可以使用svm, knn, 朴素贝叶斯，决策树四种机器学习方法进行分类
2022-03-27 14:22:29
29.28MB
1
常见机器学习任务的演练-通过使用python和scikit-learn构建Naive Bayes垃圾邮件分类器
2022-03-23 20:30:45
2.77MB
1
针对垃圾邮件泛滥的问题，本文基于朴素贝叶斯算法构建了邮件过滤系统，并采取平滑、归一化等方法进行数据预处理，提取结构与统计特征，通过邮件地址、邮件内容等多个方式进行过滤。计算机测试后表明本算法提高了垃圾邮件识别精度与准确率。
2022-03-21 19:05:30
1.46MB
1