散度加权的平均一阶依赖估计分类算法研究

作     者：陈圣磊 高兴宇 卓超 朱昌舰 Chen Shenglei;Gao Xingyu;Zhuo Chao;Zhu Changjian

作者机构：南京审计大学经济学院江苏南京211815 南京审计大学计算机学院江苏南京211815 

出 版 物：《南京理工大学学报》 (Journal of Nanjing University of Science and Technology)

年 卷 期：2024年第48卷第4期

页      面：479-488页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(62276136) 江苏省研究生科研与实践创新计划项目(SJCX23_1105) 

主　　题：平均一阶依赖估计 Kullback-Leibler散度 Jessen-Shannon散度 加权 

摘      要：平均一阶依赖估计(AODE)是对朴素贝叶斯分类算法的重要扩展,然而,AODE平等地对待各个属性,这限制了其分类性能的提升。为了准确刻画各个属性对于分类的作用,进一步提升AODE的分类性能,该文提出一种基于散度加权的AODE分类算法。该方法引入了Kullback-Leibler散度和Jessen-Shannon散度2种散度指标,基于类别的先验分布和给定属性取值的后验分布之间的散度,构建AODE分类框架中超级父属性一阶依赖估计器的权值,从而得到超级父属性一阶依赖估计器的更优组合方式。在36个加州大学机器学习数据集上的实验表明,基于散度的AODE属性加权算法显著优于原始的AODE算法。因此,散度加权能够有效提升AODE的分类性能。