论文部分内容阅读
AdaBoost作为一种有效的集成学习方法，能够明显提高不稳定学习算法的分类正确率，但对稳定的Naive Bayesian分类算法的提升效果却不明显．为此，利用多种特征评估函数建立不同的特征视图，生成多个有差畀的加权朴素贝叶斯（WNB）基分类器；尝试使用几种不同的方式将样本权重嵌入WNB基分类器的参数中，对WNB产生扰动，进一步增加基分类器的不稳定性．实验结果表明．对比AdaBoost所提算法．BoostMV-WNB能够明显提升WNB文本分类器的性能．