提升朴素贝叶斯的判别能力
机器学习
2023-04-06 v1
摘要
朴素贝叶斯因其简单性以及处理数值数据与分类数据的能力而被广泛应用于许多场景中。然而，对特征间相关性的建模缺失限制了其性能。此外，真实世界数据集中的噪声与离群点也会极大地降低分类性能。本文提出一种采用栈式自编码器特征增强方法，以减少数据中的噪声并提升朴素贝叶斯的判别能力。所提出的栈式自编码器由两个目的不同的自编码器组成。第一个编码器对初始特征进行压缩，以得到紧凑的特征表示，从而去除噪声与冗余信息。第二个编码器通过将特征扩展到更高维空间来增强特征的判别能力，使得不同类别的样本能在高维空间中更好地分离。通过将所提出的特征增强方法与正则化朴素贝叶斯相结合，模型的判别能力得到极大增强。所提方法在一组机器学习基准数据集上进行了评估。实验结果表明，该方法显著且稳定地优于当前最先进的朴素贝叶斯分类器。
引用
@article{arxiv.2209.09532,
title = {Boosting the Discriminant Power of Naive Bayes},
author = {Shihe Wang and Jianfeng Ren and Xiaoyu Lian and Ruibin Bai and Xudong Jiang},
journal= {arXiv preprint arXiv:2209.09532},
year = {2023}
}
备注
Accepted by 2022 International Conference on Pattern Recognition