论文部分内容阅读
当现实问题域包含连续变量时,研究人员通常在建模前进行离散化预处理.文章将朴素贝叶斯的条件独立性假设进行推广以处理连续变量,在此基础上提出广义朴素贝叶斯学习方法(GNB).该方法不仅能避免离散化引起的信息损失对判决精度的影响,还在参数估计过程中引入增量学习机制以充分利用样本提供的信息.实验在UCI机器学习数据库分别从独立性和判决精度方面进行了验证,取得了良好的效果.