Class-specific attribute value weighting for Naive Bayes
Class-specific attribute value weighting for Naive Bayes
复制标题
朴素贝叶斯的类特定属性值加权
DOI：
10.1016/j.ins.2019.08.071
复制
发表时间：
2020
影响因子：
8.1
通讯作者：
Yu Liangjun
中科院分区：
文献类型：
--
作者：
Zhang Huan;Jiang Liangxiao;Yu Liangjun
朴素贝叶斯（NB）是十大数据挖掘算法之一。然而，它的条件独立性假设在现实世界的应用中很少成立。为了减轻这种假设，已经提出了许多属性加权方法。然而，很少有人同时关注属性值的水平粒度和类标签的垂直粒度。在这项研究中，我们提出了一个新的范例细粒度的属性加权，命名为类特定的属性值加权。对于每个类，该方法有区别地为每个属性值分配特定的权重。我们将改进后的模型称为类特定属性值加权NB（CAVWNB）。在CAVWNB中，通过最大化条件对数似然（CLL）或最小化均方误差（MSE）来学习特定于类的属性值权重矩阵。因此，提出了两个版本，我们分别表示为CAVWNBCL和CAVWNBMSE。大量数据集上的实验结果表明，CAVWNBCL和CAVWNBMSE都显着优于NB和所有其他现有的最先进的属性加权方法用于比较。
Naive Bayes (NB) is one of the top 10 data mining algorithms. However, its assumption of conditional independence rarely holds true in real-world applications. To alleviate this assumption, numerous attribute weighting approaches have been proposed. However, few of these simultaneously pay attention to the horizontal granularity of attribute values and vertical granularity of class labels. In this study, we propose a new paradigm for fine-grained attribute weighting, named class-specific attribute value weighting. For each class, this approach discriminatively assigns a specific weight to each attribute value. We refer to the resulting improved model as class-specific attribute value weighted NB (CAVWNB). In CAVWNB, the class-specific attribute value weight matrix is learned by either maximizing the conditional log-likelihood (CLL) or minimizing the mean squared error (MSE). Thus, two versions are proposed, which we denote as CAVWNBCLLand CAVWNBMSE, respectively. Extensive experimental results on a large number of datasets show that both CAVWNBCLLand CAVWNBMSEsignificantly outperform NB and all the other existing state-of-the-art attribute weighting approaches used for comparison.
登录
查看更多内容
具有距离加权的贝叶斯引用-KNN
DOI：
10.1007/s13042-013-0152-x
发表时间：
2014-04-01
影响因子：
5.6
作者：
Jiang, Liangxiao;Cai, Zhihua;Zhang, Harry
通讯作者：
Zhang, Harry
局部值差异度量
影响因子：
5.1
作者：
Li, Chaoqun;Jiang, Liangxiao;Li, Hongwei
通讯作者：
Li, Hongwei
DOI：
--
发表时间：
2014
期刊：
Journal of management science
影响因子：
--
作者：
อนิรุธ สืบสิงห์
通讯作者：
อนิรุธ สืบสิงห์
DOI：
10.1109/tsmc.2018.2828018
发表时间：
2020-04
期刊：
IEEE Transactions on Systems, Man, and Cybernetics: Systems
影响因子：
--
作者：
Wenyin Gong;Yong Wang;Z. Cai;Ling Wang
通讯作者：
Wenyin Gong;Yong Wang;Z. Cai;Ling Wang
成本敏感的贝叶斯网络分类器
影响因子：
5.1
作者：
Jiang, Liangxiao;Li, Chaoqun;Wang, Shasha
通讯作者：
Wang, Shasha