面向层次特征空间的层次依赖约束树增广朴素贝叶斯分类器
机器学习
2022-02-10 v1 机器学习
摘要
树增广朴素贝叶斯(TAN)分类器是一类构造单父依赖树来估计数据分布的概率图模型。在本文中，我们提出两种新颖的基于层次依赖的树增广朴素贝叶斯算法，即Hie-TAN与Hie-TAN-Lite。两种方法均利用特征间预定义的父子(泛化-特化)关系作为一种约束来学习特征间依赖的树表示，而后者进一步在分类器学习阶段消除了层次冗余。实验结果表明，Hie-TAN成功取得了优于若干其他层次依赖约束分类算法的预测性能，并且如Hie-TAN-Lite所获更高准确率所表明的，通过消除层次冗余其预测性能得到进一步提升。
引用
@article{arxiv.2202.04105,
title = {Hierarchical Dependency Constrained Tree Augmented Naive Bayes Classifiers for Hierarchical Feature Spaces},
author = {Cen Wan and Alex A. Freitas},
journal= {arXiv preprint arXiv:2202.04105},
year = {2022}
}