一种基于增益率的选择性不完整数据分类器 (2009年)

通过特征选择在精简的数据集上构造选择性分类器可以有效地提高分类效率和精度。鉴于已有的绝大多数选择性分类算法主要用于完整数据,而现实中的数据通常是不完整的并且包含许多冗余属性或无关属性,本文在已有工作基础上利用信息增益率构建了一种用于不完整数据的混合型的选择性贝叶斯分类器:GBSD。在12个标准的不完整数据集上的实验结果表明,GBSD不仅能大幅度减少属性数目,而且比已有工作更能显著提高分类准确率和效率。