利用朴素贝叶斯相关模型对电子商务企业信用风险数据进行分类预测,提出交易主体在防范电子商务企业信用风险过程中的合理化对策,促进电子商务的健康发展。旨在对电子商务企业的信用风险加强分类指导,提高信用风险分析的可靠性。由于电子商务企业信用风险数据的连续性和冗余性,本文首先利用基于核主成分分析的高斯朴素贝叶斯分类模型,对不同的电子商务企业信用风险数据进行分类预测。通过分析基于核主成分分析的高斯朴素贝叶斯模型的优缺点,发现模型并不能适用于所有的数据,原因是有些数据的类标签分布不匀称。其次,引入一种被广泛应用于二分类问题的ReliefF特征选择算法,并对算法进行改进,提出一种新的特征选择算法,新算法使电子商务企业信用风险数据在保留更充分信息的情况下再对特征进行排序,选择合适的特征子集。为提高朴素贝叶斯模型的分类效率,选择利用树增强朴素贝叶斯算法作为搜索算法构建朴素贝叶斯相关模型。树增强朴素贝叶斯搜索模型在放宽朴素贝叶斯算法强烈的特征独立条件假设的同时,搜索得到使得贝叶斯评分最高的网络结构作为最终分类模型。最后,再次对电子商务企业信用风险数据进行分类预测以检验模型的可行性和有效性。在总结、按类别的详细准确性两个评价层次上,选择不同的指标作为评价标准对模型进行评估。对比各模型的评估结果发现,利用改进的ReliefF特征选择算法对电子商务企业信用风险数据进行关键特征排序和提取,结合树增强朴素贝叶斯算法作为搜索算法,预测效果在整体上要优于原始模型和其它形式的组合模型。