朴素贝叶斯与决策树混合分类方法的研究

《朴素贝叶斯与决策树混合分类方法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号；密级单位代码１０１５１ＵＤＣ：＠乂是洛事乂掌全日制学术型硕±研究生学位论文朴素贝叶斯与决策树混合分类方法的研究李冬梅指导教师刘智副教授申请学位类别工学硕±学科皮业）名碌计算机科学与技术学位授予单位大连海事大学２０１６年３月分类号密级ＵＤＣ单位代码０巧１大连海事大学硕±学位论文朴素贝叶斯与决策树漏合分类方法的研究李冬梅指导教师刘智职称副教授学位授予单位

2、大连海事大学申请学位级别硕±学科（专业）计算机科学与技术－－论文完成日期２０１６１１０答辩日期２０１６－３－２６答辩委员会主席ＲｅｓｅａｒｃｈｏｎｈｙｂｒｉｄｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎＮａｖｉｅＢａｙｅｓａｎｄＤｅｃｉｓｉｏｎＴｒｅｅＡ化ｅｓｉｓＳｕｂｍｉｔｔｅｄ化ＤａｉｉｖｉｌｉａｎＭａｒｉｔｍｅＵｎｅｒｓｔｙｔＩｎｐａｒｔｉａｌｆｕｌｆｉｌｌｍｅｎｔｏｆｈｅｒｅｑｕｉｒｅｍｅｎｔｓｆｏｒｔ

3、ｈｅｄｅｇｒｅｅｏｆＭａｓｔｅｒｏｆＥｎｇｉｎｅｅｒｉｎｇｂｙＬｉＤｏｎｇｍｅｉＣｏｍｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ｐｕ）ＴｈｅｓｉｓＳｕｐｅｒｖｉｓｏｒ：ＡｓｓｏｃｉａｔｅＰｒｏ怡ｓｓｏｒ１山ｚｈｉＪａｎｕａｒｙ２０１６大连海事大学学位论文原创性声明和使用授权说明原创性声明＇：立进行研巧工作所取得的成果本人郑重声明本论文是在导师的指导下，撰写成博，独／硕±学位论文＂朴素＂贝叶斯与决策树混合分类方法的研究。除论

4、文中己经注明引用的内容外，对论文的研究做出重要贡献的个人和集体，均己在文中Ｗ明确方巧禄明。本论文中不包含任何未加明确注明的其他个人或集体已经公开发表或未公开发表的成果。本声明的法律责任由本人承担。学位论文作者签名：学位论文版权使用授权书本学位论文作者及指导教师完全了解大连海事大学有关保留、使用研巧生学位论文的规定，即；大连海事大学有权保留并向国家有关部口或机构送交学位论文的复印件和电子版，＇允许论文被査阅和借阅。本人授权大连海事大学可将本学位论文的全部或部分内容编

5、入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论文。同意将本学位论文收录到《中国优秀博硕±学位论文全文数据库》（中国学术期刊）电子杂志（光盘版社），、《中国学位论文全文数据库》（中国科学技术信息研紀所）等数据库中并电子出版物形式出版发行和提供信息服务。保密的论文在解密后遵守此规定。本学位论文属于：年解密后适用本授权书保密□在。＂＂不保密巧／（请在Ｗ上方框巧打Ｖ）？：论文作者签名：奔导师签名！斜句讀曰期：年月曰公？以３乂ｉ中文

6、摘要摘要数据挖掘是致力于数据分析和理解、揭示数据内部蕴藏知识的技术，并且能有效地从低信噪比数据中挖掘有价值的信息。分类的模型主要包括朴素贝叶斯、决策树、支持向量机等。朴素贝叶斯和决策树Ｗ算法简单、计算量小Ｗ及分类结果对噪音鲁棒等特点而得到广泛运用。本文从Ｗ下几个方面着眼，改进朴素贝叶斯和决策树算法：（１）尽管朴素贝叶斯的分类结果受到广泛承认，但是面对某些特殊情形，依然存在两个缺陷，即属性间必须满足独立的条件，＾＾及概率估计方式粗礎的问题。针对朴素贝叶斯概率估计粗髓

7、的问题，本文提出了基于朴素贝叶斯的概率优化算法。将概率优化函数运用到朴素贝叶斯中，充分考虑到朴素贝叶斯中条件概率为零的属性，从而避免了朴素贝叶斯易下溢和过度拟合的问题。本文采用了ＵＣ／数据集进行了多沮验，与传统分类算法进行比较。实验结果表明在高维数据中，基于朴素贝叶斯的概率优化算法算法提高了分类准确率，表现出了优良的性能。（２）在针对多类标签的分类问题上，文中介绍了朴素贝叶斯与决策树的混合分类算法，由于在训练集中存在有噪声矛盾的实例，将使决策狩遭遇过度拟合并且致使精确

8、度下降。在构造决策树之前运用本文提出的朴素贝叶斯的概率优化算法进行预处理，来移除训练集中的噪音实例，从而避免决策树算法的过度拟合。本文采用数据，采用１０倍交叉验证的方法集，对论文中提出的算法进巧实验。通过大量对比实验显示本文中提出的方法产生了较好的结果。朴素贝叶斯与决策树的混合算法还允许我，们自动的从拥有高维属性的噪声数据中抽取最具有代表性和高质量的数据集，并且根据不同的实例特征挑选出重要的属性。（３）本文将提出的朴素贝叶斯的概率优化算法和朴素贝叶斯与决策树的混合算法应