数据挖掘是研究从大量数据中用非平凡的方法发现有用知识的理论与方法.分类作为数据挖掘的一个重要课题,在统计学、机器学习、神经网络和专家系统中得到了广泛的研究.分类器性能评价作为分类过程的一个重要环节,对于选择适当的分类器进行分类有非常重要的指导作用.本文首先介绍了数据挖掘及分类的相关概念及基本技术,随后对分类器性能评价的通用标准以及评价方式作出详尽的总结归纳,然后对Weka环境下的分类器性能评价的实现,以及评价的各项指标的数学意义作出分析.最后,本文就分类器性能评价标准中的误差一项,结合限制性贝叶斯分类器的特质,提出一种基于限制性贝叶斯分类器的误差分解方法.这种方法在0-1损失函数的偏差方差分解方法基础上,将限制性贝叶斯的预测概率引入到其误差分解过程中.这种方法下,分类器的误差被分解为偏差和方差两部分,偏差反映的是学习算法的平均预测与真实值之间的偏离程度,方差反映的是学习算法在不同数据集上的预测波动.为了说明该算法的作用,本文对三种限制性贝叶斯分类算法在9个UCI数据集进行了实验,实验结果表明TAN分类器的性能最优.在本文的误差分解方法下,可清楚看到三种限制性贝叶斯分类器的误差结构,以及TAN最优的重要原因.