新型加权粗糙朴素贝叶斯算法及其应用研究 (2015年)

待分类数据集中通常存在大量的冗余属性，会严重影响分类效率。为了达到在降低计算复杂度的同时提高分类准确率的目的。首先在朴素贝叶斯模型中引入粗糙集技术对数据集进行属性约简，获取最优属性子集；然后在此基础上以最大化数据集的对数条件似然估计为标准对条件属性设定（近似）最优权值，进而提出一种新型加权粗糙朴素贝叶斯模型。通过在垃圾邮件过滤领域对该模型进行实际验证表明，贝叶斯模型的分类效率有明显提高，而且分类性能更加稳定，证明该方法不仅可以有效去除冗余属性，而且为条件属性赋予的权值较之传统加权方法更加合理。