导读:本文包含了加权朴素贝叶斯论文开题报告文献综述及选题提纲参考文献，主要关键词:半监督学习,自训练方法,朴素贝叶斯,加权K最近邻
加权朴素贝叶斯论文文献综述
李婷婷,吕佳[1]（2019）在《基于加权K最近邻改进朴素贝叶斯自训练算法》一文中研究指出针对传统半监督自训练方法在学习朴素贝叶斯分类器过程中容易误标记无标记样本,且整个过程未能利用到训练样本的空间结构信息,导致正确率不高的问题,提出了一种基于加权K最近邻改进朴素贝叶斯自训练算法。该算法利用加权K最近邻算法计算出无标记样本的隶属度,通过隶属度选出与已标记样本空间结构相近的样本,使得朴素贝叶斯分类器在一个较好的空间结构上对未标记样本进行分类,充分地利用样本的空间结构信息,从而降低了自训练过程中的迭代错误。在UCI和Kaggle数据集上的对比实验结果表明,该方法的性能相对于传统半监督自训练算法有所改善。(本文来源于《武汉大学学报(理学版)》期刊2019年05期）
任世超,黄子良[2]（2019）在《基于二维信息增益加权的朴素贝叶斯分类算法》一文中研究指出由于朴素贝叶斯算法的特征独立性假设以及传统TFIDF加权算法仅仅考虑了特征在整个训练集的分布情况,忽略了特征与类别和文档之间关系,造成传统方法赋予特征的权重并不能代表其准确性.针对以上问题,提出了二维信息增益加权的朴素贝叶斯分类算法,进一步考虑到了特征的二维信息增益即特征类别信息增益和特征文档信息增益对分类效果的影响,并设计实验与传统的加权朴素贝叶斯算法相比,该算法在查准率、召回率、F1值指标性能上能提升6%左右.(本文来源于《计算机系统应用》期刊2019年06期）
钟新成[3]（2019）在《基于特征加权的朴素贝叶斯学情预警分类研究》一文中研究指出学情预警是现阶段高校辅导员的一项重要工作。针对高校学情预警仅以旷课次数和不及格门数来衡量的不科学性,提出一种基于特征加权的朴素贝叶斯学情预警分类方法。该方法通过观察与调查相结合的方法,系统的采集学生是否沉迷于网络游戏、上学期成绩等五类属性数据。为进一步提高分类的准确性,将加权模式与朴素贝叶斯方法相结合,实验结果表明,该分类方法的准确率较高,能适用于高校学情预警。高校辅导员可以利用该分类算法提前对所管理的班级学生进行预警,将问题学生扼制在萌芽状态。(本文来源于《山西大同大学学报(自然科学版)》期刊2019年02期）
童威,黄启萍[4]（2019）在《加权朴素贝叶斯算法在消防检测中的应用》一文中研究指出针对当前建筑物消防检测受干扰影响较大,导致火灾预测精度较低的问题,给出一种用于消防检测的改进朴素贝叶斯算法。基于消防检测数据分析,通过信息增益计算加权值,将特征属性附加权重系数对朴素贝叶斯算法进行改进,并在此基础上通过Weka平台,设计并实现了改进朴素贝叶斯算法框架,将其用于消防检测。实验验证,比较朴素贝叶斯算法和其他分类预测方法,改进的朴素贝叶斯算法能有效解决每个特征属性对类别变量影响的关联度量化问题,降低了分类干扰,提高了消防隐患检测准确率。(本文来源于《西安工程大学学报》期刊2019年01期）
保玉俊,周莉莉,段鹏[5]（2018）在《一种基于遗传算法的加权朴素贝叶斯分类算法》一文中研究指出朴素贝叶斯算法因其分类精度高、模型简单等优点而被得到普遍应用,但因为它需要具备很强的属性之间的条件独立性假设,使得其在实际分类学习中很难实现.针对这个缺点,提出了一种基于遗传算法的加权朴素贝叶斯分类算法(G_WNB).该算法将遗传算法(GA)与加权朴素贝叶斯分类算法(WNB)相结合,首先使用基于Rough Set的加权朴素贝叶斯分类算法,综合信息论与代数论给出的属性权值求解方法,计算出每个属性的权值,以初始权值作为初始种群,加权朴素贝叶斯的分类正确率为适应度函数,采用遗传算法优选,以使适应度函数最高的权值为数据集的最终权值,最后使用G_WNB进行分类.实验表明,该算法提高了分类准确率,同时提高了朴素贝叶斯分类器的性能.(本文来源于《云南民族大学学报(自然科学版)》期刊2018年06期）
曾瑞瑜[6]（2018）在《基于LDWPSO的加权朴素贝叶斯算法在物流需求预测中的应用研究》一文中研究指出国务院明确定位物流为支撑国民经济的基础性和战略性产业,在此背景下,南京作为长江经济带中的特大型城市,其经济发展水平、产业结构、基础设施、市民消费水平、消费理念、物流技术、城市物流基础设施布局、物流服务水平都在不断的提高、变革和改善。因此,对南京的物流需求建立科学的预测模型是十分必要的。本文以南京市物流发展的实际状况以及物流需求相关理论为基础,根据物流需求的相关特征,对物流需求预测开展了研究。主要研究工作有以下几个方面:(1)在阅读和学习国内外物流需求的期刊文献的基础上,选取了灰色系统理论和指数平滑法作为与本文所建立的预测模型对照的预测模型,同时在明确了影响物流需求量的因素的基础上,选取了货运量为物流需求的预测指标。(2)建立了基于LDWPSO的加权朴素贝叶斯预测模型。针对传统朴素贝叶斯模型中各个属性独立的问题,本文使用为每个属性添加权值的方法削弱各个属性的独立性,结合具有强拟合能力的粒子群优化算法,建立基于粒子群优化的加权朴素贝叶斯预测模型应用于物流需求预测的问题。同时,由于粒子群优化算法在处理离散数据时容易陷入局部最优解的缺点,本文采用惯性权重线性递减的方法来改进,以提高预测模型的鲁棒性和准确性。(3)对南京市的物流需求预测进行了实证分析,试验结果表明,基于LDWPSO的加权朴素贝叶斯预测模型在预测的误差率上明显低于其他单一的预测模型,从而验证了预测模型的准确性。(本文来源于《南京邮电大学》期刊2018-11-14）
丁月,汪学明[7]（2019）在《基于改进特征加权的朴素贝叶斯分类算法》一文中研究指出传统朴素贝叶分类算法没有根据特征项的不同对其重要程度进行划分,使得分类结果不准确。针对这一问题,引入Jensen-Shannon(JS)散度,用JS散度来表示特征项所能提供的信息量,并针对JS散度存在的不足,从类别内与类别间的词频、文本频以及用变异系数修正过的逆类别频率这叁个方面考虑,对JS散度进行调整修正,最后计算出每一特征项的权值,将权值代入到朴素贝叶斯的公式中。通过与其他算法的对比实验证明,基于JS散度并从词、文本、类别叁方面改进后的朴素贝叶斯算法的分类效果最好。因此基于JS散度特征加权的朴素贝叶斯分类算法与其他分类算法相比,其分类性能有很大提高。(本文来源于《计算机应用研究》期刊2019年12期）
金康荣,于东军[8]（2018）在《基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测》一文中研究指出提出一个新的基于集成学习的预测器(TargetPCM),对蛋白质接触图(特别是中长程)进行高精度的预测。首先,TargetPCM使用加权朴素贝叶斯分类器(Weighted Nave Bayes classifier,WNBC)融合3个接触图预测器的输出,其中WNBC中的权重参数通过粒子群算法优化得到;其次,将WNBC融合后的输出和基于序列的特征进行组合,得到更具鉴别能力的特征;在此基础上,应用极端随机树训练得到最终的蛋白质接触图预测模型。为了验证TargetPCM的有效性,在包含98个非冗余蛋白质的数据集上进行了测试。结果表明:对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的集成预测器(NeBcon)分别提高了8.2%,16.1%和5.3%。在CASP11上进一步的验证表明,对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的基于协同进化的集成预测器(MetaPSICOV)分别提高了7.4%,9.1%和7.5%。实验结果验证了本文所提蛋白质接触图预测方法的有效性。(本文来源于《南京航空航天大学学报》期刊2018年05期）
丁晟春,王小英,刘梦露[9]（2018）在《基于本体和加权朴素贝叶斯的网络舆情主题分类》一文中研究指出及时准确地对舆情信息进行主题分类,不仅能实时了解舆情动态变化,还能为预判舆情发展趋势、舆论引导建立基础。本文提出一种基于本体和加权朴素贝叶斯的网络舆情主题分类方法,通过使用本体将领域知识和领域文本特征融入分类过程中。将该方法应用到动物卫生领域舆情主题分类中,分类结果精确度为0.9402,Marco_F1达到0.9339。通过与朴素贝叶斯(NB)和THUCTC两种方法的对比实验,证明本文提出的基于本体和加权朴素贝叶斯的分类方法有效且具有可行性,但是领域本体的概念、关系的完备程度会影响分类的效率。(本文来源于《现代情报》期刊2018年08期）
陈凯,黄英来,高文韬,赵鹏[10]（2018）在《一种基于属性加权补集的朴素贝叶斯文本分类算法》一文中研究指出针对文本训练集中各个类别的样本分布不均衡时,少数类别的特征会被多数类别的特征淹没的问题,提出一种属性加权补集的朴素贝叶斯文本分类算法,该算法使用属性加权改进补集朴素贝叶斯算法,使用TF-IDF算法计算特征词在当前文档中的权重;利用当前类别补集的特征表示当前类别的特征并结合特征词在文档中的权重,解决分类器容易倾向大类别而忽略小类别的问题。与传统的朴素贝叶斯及补集朴素贝叶斯算法进行对比实验,结果表明:在样本集分布不均衡时,改进算法的性能表现最优,分类准确率、召回率及G-mean性能分别可达82.92%、84.6%、88.76%。(本文来源于《哈尔滨理工大学学报》期刊2018年04期）
加权朴素贝叶斯论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
由于朴素贝叶斯算法的特征独立性假设以及传统TFIDF加权算法仅仅考虑了特征在整个训练集的分布情况,忽略了特征与类别和文档之间关系,造成传统方法赋予特征的权重并不能代表其准确性.针对以上问题,提出了二维信息增益加权的朴素贝叶斯分类算法,进一步考虑到了特征的二维信息增益即特征类别信息增益和特征文档信息增益对分类效果的影响,并设计实验与传统的加权朴素贝叶斯算法相比,该算法在查准率、召回率、F1值指标性能上能提升6%左右.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
加权朴素贝叶斯论文参考文献
[1].李婷婷,吕佳.基于加权K最近邻改进朴素贝叶斯自训练算法[J].武汉大学学报(理学版).2019
[2].任世超,黄子良.基于二维信息增益加权的朴素贝叶斯分类算法[J].计算机系统应用.2019
[3].钟新成.基于特征加权的朴素贝叶斯学情预警分类研究[J].山西大同大学学报(自然科学版).2019
[4].童威,黄启萍.加权朴素贝叶斯算法在消防检测中的应用[J].西安工程大学学报.2019
[5].保玉俊,周莉莉,段鹏.一种基于遗传算法的加权朴素贝叶斯分类算法[J].云南民族大学学报(自然科学版).2018
[6].曾瑞瑜.基于LDWPSO的加权朴素贝叶斯算法在物流需求预测中的应用研究[D].南京邮电大学.2018
[7].丁月,汪学明.基于改进特征加权的朴素贝叶斯分类算法[J].计算机应用研究.2019
[8].金康荣,于东军.基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测[J].南京航空航天大学学报.2018
[9].丁晟春,王小英,刘梦露.基于本体和加权朴素贝叶斯的网络舆情主题分类[J].现代情报.2018
[10].陈凯,黄英来,高文韬,赵鹏.一种基于属性加权补集的朴素贝叶斯文本分类算法[J].哈尔滨理工大学学报.2018