改进的增量贝叶斯模型的研究

苏志同　李　杨

(北方工业大学计算机学院　北京 100144)



改进的增量贝叶斯模型的研究

苏志同李杨

(北方工业大学计算机学院北京 100144)

传统分类算法的研究主要关注批量学习任务。实际中，带标注样本很难一次性获得。且存储空间开销较大的特点，也使批量学习显现出一定的局限性。因此，需要增量学习来解决该问题。朴素贝叶斯分类器简单、高效、鲁棒性强，且贝叶斯估计理论为其应用于增量任务提供了基础。但现有的增量贝叶斯模型没有对适应新类别作出描述。同时，实验表明类别之间样本数量的不平衡，会严重影响该模型的分类性能。故基于这两个问题，提出对增量贝叶斯模型的改进，增加参数修正公式，使其可适应新出现的类别，并引入最小风险决策思想减轻数据不平衡造成的影响。取UCI数据集进行仿真测试，结果表明改进后的模型可以渐进提高分类性能，并具有适应新类别的能力。

机器学习朴素贝叶斯增量学习最小化风险

0　引　言

分类问题的研究是监督学习研究的核心任务之一。可以将分类描述为根据已知数据集，建立分类器(决策函数或概率模型)，再利用分类器判断未知样本类别的过程。建立分类器过程，称为学习。而利用分类器判断的过程，称为预测。依据样本获得过程与模型学习过程的具体特点，学习任务可分为批量学习任务与增量学习任务[1]。Giraud-Carrier指出，增量学习任务具有样本随时间获得，并且学习过程需持续进行的特点。……