基于K-medoids聚类的贝叶斯集成算法
朴素贝叶斯分类算法由于其计算高效在生活中应用广泛.本文根据集成算法的差异性特征,聚类算法聚类点的选择方式的可变性,提出了基于K-medoids聚类技术的贝叶斯集成算法,朴素贝叶斯的泛化性能得到了提升.首先,通过样本集训练出多个朴素贝叶斯基分类器模型;然后,为了增大基分类器之间的差异性,利用K-medoids算法对基分类器在验证集上的预测结果进行聚类;最后,从每个聚类簇中选择泛化性能最佳的基分类器进行集成学习,最终结果由简单投票法得出.将该算法应用于UCI数据集,并与其他类似算法进行比较可得,本文提出的基于K-medoids聚类的贝叶斯集成算法(NBKME)提高了数据集的分类准确率.
朴素贝叶斯、分类、K-medoids聚类、集成算法
11
TP391(计算技术、计算机技术)
2021-04-28（万方平台首次上网日期，不代表论文的发表时间）
共4页
84-87
