樸素貝葉斯算法的改進與應(yīng)用.pdf

1、隨著信息科技的快速發(fā)展和大數(shù)據(jù)的普及，對數(shù)據(jù)分析的需求變得越來越大，近年來，數(shù)據(jù)挖掘技術(shù)受到了廣泛的關(guān)注，它是一種將大量的數(shù)據(jù)轉(zhuǎn)換為有用的信息，并且發(fā)現(xiàn)數(shù)據(jù)和信息之間聯(lián)系的技術(shù)。分類算法是數(shù)據(jù)挖掘領(lǐng)域重要研究的內(nèi)容之一，它主要是根據(jù)各種分類器將數(shù)據(jù)集中的數(shù)據(jù)項劃分到某一個固定的類別中。貝葉斯算法是分類算法中的經(jīng)典算法，貝葉斯算法是以概率統(tǒng)計為基礎(chǔ)的可能性推理方法，通過先驗概率來計算后驗概率。由于其較小的誤差率，一直被廣泛運用于各個領(lǐng)域。

2、貝葉斯方法主要分為貝葉斯方法和貝葉斯網(wǎng)絡(luò)。樸素貝葉斯方法是貝葉斯方法的一種簡化方法，本文主要針對樸素貝葉斯方法進行了相關(guān)研究。
　　本文主要在樸素貝葉斯算法的基礎(chǔ)上進行了以下幾個方面的改進。
　　(1)數(shù)據(jù)集在分類的過程至關(guān)重要，數(shù)據(jù)在收集過程中經(jīng)常會出現(xiàn)不完整的現(xiàn)象，針對數(shù)據(jù)集出現(xiàn)缺失屬性值的問題，本文提出了一種快速聚類算法對缺失的數(shù)據(jù)集進行填充，首先對數(shù)據(jù)集進行分離形成完備數(shù)據(jù)集和缺失數(shù)據(jù)集，之后使用快速聚類算法對完備數(shù)

3、據(jù)集進行聚類，最后根據(jù)缺失數(shù)據(jù)項與聚類中心的相似度對缺失值進行填充，以此來獲得一個完整的數(shù)據(jù)集。實驗結(jié)果表明，基于快速聚類算法的樸素貝葉斯分類模型(Fast Cluster Na(i)ve Bayes，F(xiàn)CNB)能夠正確地填充缺失的屬性值，從而提高分類的正確率。
　　(2)針對兩類分類問題的特點，即在數(shù)據(jù)集中正例和反例所占的比例不同，提出了一種基于K值的樸素貝葉斯分類模型(K Na(i)ve Bayes，K-NB)，該方法引入了一

4、個概率比值K，通過比較待檢測數(shù)據(jù)項屬于兩個類別的概率比值和閾值K的大小，當屬于兩個類別的概率比值大于K時，才對待檢測的數(shù)據(jù)項進行歸類。實驗結(jié)果表明，對于兩類分類問題，相對于其它的改進算法，K-NB算法可以獲得較高的正確率。
　　(3)本文結(jié)合監(jiān)督學(xué)習(xí)算法和樸素貝葉斯算法，提出了一種基于監(jiān)督學(xué)習(xí)算法的樸素貝葉斯分類模型(Supervised Learning Na(i)ve Bayes，SLNB)。利用監(jiān)督學(xué)習(xí)算法聚類速度快的特點和

5、樸素貝葉斯算法準確率高的優(yōu)點，首先使用監(jiān)督學(xué)習(xí)算法對數(shù)據(jù)集的正例和反例進行聚類，形成若干個正例和反例的聚類中心，然后比較待檢測的樣本和正反兩個聚類中心的最近距離的差值決定采用監(jiān)督學(xué)習(xí)算法還是樸素貝葉斯算法進行分類，從而既保證了正確率，也具有較好的分類效率。
　　(4)基于以上的改進，構(gòu)建了Android手機客戶端釣魚網(wǎng)站檢測模型。首先對釣魚網(wǎng)站數(shù)據(jù)進行收集，使用快速聚類算法對收集的數(shù)據(jù)集進行處理，從而獲得一個完整的數(shù)據(jù)集，之后使用