一种改进的最大相关最小冗余选择性贝叶斯分类器 | |
马勇 ; 仝瑶瑶 ; 程玉虎 | |
2015-09-10 ; 2015-09-10 | |
关键词 | 分类器 属性选择 冗余 K均值聚类 增量学习 |
中文摘要 | 利用K均值聚类和增量学习算法扩大训练样本规模,提出一种改进的mRMR SBC.一方面,利用K均值聚类预测测试样本的类标签,将已标记的测试样本添加到训练集中,并在属性选择过程中引入一个调节因子以降低K均值聚类误标记带来的风险.另一方面,从测试样本集中选择有助于提高当前分类器精度的实例,把它加入到训练集中,来增量地修正贝叶斯分类器的参数.实验结果表明,与mRMR SBC相比,所提方法具有较好的分类效果,适于解决高维且含有较少类标签的数据集分类问题. |
内容类型 | 期刊论文 |
源URL | [http://ir.calis.edu.cn/hdl/232060/14154] |
专题 | 中国矿业大学(徐州) |
推荐引用方式 GB/T 7714 | 马勇,仝瑶瑶,程玉虎. 一种改进的最大相关最小冗余选择性贝叶斯分类器[J],2015, 2015. |
APA | 马勇,仝瑶瑶,&程玉虎.(2015).一种改进的最大相关最小冗余选择性贝叶斯分类器.. |
MLA | 马勇,et al."一种改进的最大相关最小冗余选择性贝叶斯分类器".(2015). |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论