论文部分内容阅读
NaYve Bayes分类器作为一种计算简单、精度较高的分类方法，已经得到了广泛应用。但是其所作的假设：各属性之间相互独立却非常容易的现实中被违背，阻碍了分类器精度的进一步提高。而Bayes网络较好地考虑了属性之间的依赖关系，但是其计算相当复杂。Augmented Bayes分类器将两者的优点结合在一起，既考虑了属性之间的依赖关系，又保证了算法的简单性。该文从属性所拥有的信息量出发考虑，提出了Augmented Bayes分类器的一种基于熵的学习方法。最后，通过测试数据将该方法与Nayve Bayes分类