一种自适应双指标融合属性加权朴素贝叶斯的通用框架
机器学习
2022-02-25 v1 机器学习
摘要
朴素贝叶斯(NB)是数据挖掘中的重要算法之一。然而,由于属性独立假设,它在现实中很少被使用。研究者提出了许多改进的NB方法来缓解该假设。在这些方法中,由于高效且易于实现,过滤式属性加权NB方法受到了极大关注。然而,仍存在若干挑战,例如单一指标表示能力较差以及双指标的融合问题。为克服上述挑战,我们提出了一种自适应双指标融合属性加权NB(ATFNB)的通用框架。使用两类数据描述类别分别表征类与属性之间的相关性、属性与属性之间的互相关性。ATFNB可从每一类中任选一个指标。随后,我们引入切换因子{beta}来融合两个指标,其能在不同数据集上自适应调整两指标的最优比例。并提出了一种快速算法来推断切换因子{beta}的最优区间。最后,利用最优值{beta}计算各属性权重,并将其集成到NB分类器中以提高准确率。在50个基准数据集和Flavia数据集上的实验结果表明,ATFNB优于基础NB及最先进的过滤式加权NB模型。此外,ATFNB框架可通过引入自适应切换因子{beta}改进现有的双指标NB模型。辅助实验结果证明,改进后的模型相比无自适应切换因子{beta}的原始模型显著提升了准确率。
引用
@article{arxiv.2202.11963,
title = {A general framework for adaptive two-index fusion attribute weighted naive Bayes},
author = {Xiaoliang Zhou and Dongyang Wu and Zitong You and Li Zhang and Ning Ye},
journal= {arXiv preprint arXiv:2202.11963},
year = {2022}
}