论文部分内容阅读
为了降低朴素贝叶斯分类模型的独立性假设约束，提出一种混合式朴素贝叶斯分类模型（MBN：Mixed Naive Bayes）。通过分析贝叶斯定理，把条件属性集合划分成若干个独立的属性子集，用树增广朴素贝叶斯分类对属性子集分别进行分类学习，通过公式进行整合。将该模型算法与朴素贝叶斯及树增广朴素贝叶斯进行实验比较，实验结果表明MBN分类器在多数数据集上具有较高的分类正确率。