尽管朴素贝叶斯分类算法足够简单,它仍表现出了极好的分类性能。然而作为其核心思想的条件独立性假设,在真实应用中却很少能够被满足。基于单依赖分类器的聚合算法作为对朴素贝叶斯模型的一类改进模型,很好地削弱了特征间的独立性假设,并在分类准确度和模型方差等评价指标上表现突出。然而现有的聚合模型都过分强调单个子模型的分类性能对整个聚合模型的影响,而忽略了全局优化的重要性。基于全局优化的假设,本文提出了基于最大条件概率(Conditional Log Likelihood)的单依赖聚合(Ensemble super parent One Dependence Estimator)模型(EODE-CLL)。首先采用最大条件概率作为全局优化的目标,它在机器学习中常被用来作为目标函数而进行参数计算,核心思想是最合理的参数应该使得从模型空间中抽取出样本数据的概率最大,相比以拟合样本数据为核心的最小二乘法等,能够避免模型的过拟合。其次提出两层权重结构：除了作为线性组合的第一层权重外,在每个子模型内部还提出了区分不同特征重要性的第二层权重,引入第二层权重结构在子模型进行局部优化,过滤低相关特征,突出高相关特征,从而使各个子模型充分最优。最后采用随机梯度下降法求解最优解,它是机器学习中常被用来求解参数的迭代方法,计算简单高效,求解过程中只需计算目标函数对参数的偏导,还衍生出了批量随机梯度下降法和分布式随机梯度下降法,具有很好的扩展性。此外,本文提出的EODE-CLL模型是一个有监督的聚合模型,具有较强的表达能力,通过设置不同参数,能够拟合现有的多数聚合模型。论文在36个UCI(加利福尼亚大学机器学习知识库提供的基准数据集)的公开数据集上进行对比实验和结果分析。实验结果表明EODE-CLL在分类准确性,F值,偏差和方差等性能方面均优于现有的选择和加权聚合模型。