Boosting for superparent-one-dependence estimators
Boosting for superparent-one-dependence estimators
复制标题
增强超父一依赖估计器
DOI：
10.1504/ijcsm.2013.057257
复制
发表时间：
2013-10
影响因子：
0.8
通讯作者：
J. Wu, Z. Cai
中科院分区：
文献类型：
--
作者：
J. Wu, Z. Cai
朴素贝叶斯NB是一种基于条件独立假设的概率分类模型。然而，在许多实际应用中，这一假设经常被违反。响应于这一事实，超父一依赖估计SPODE通过使用数据库的每个属性作为超父来削弱属性独立性假设。聚集单依赖估计器AODE估计每个SPODE对应的参数，已被证明是最有效的模型之一，由于其高精度的NB分类器的改进。本文研究了一种基于Boosting策略的单SPODE集成方法，Boosting for superparent-one-dependence estimators，简称BODE。BODE首先赋予每个实例一个权值，然后在每次迭代中找到一个精度最高的最优SPODE作为弱分类器。通过这样做，BODE增强了所有选定的弱分类器在测试过程中进行分类。在UCI数据集上的实验验证了算法的性能。
Naive Bayes NB is a probability-based classification model based on the conditional independence assumption. However, in many real-world applications, this assumption is often violated. Responding to this fact, superparent-one-dependence estimators SPODEs weaken the attribute independence assumption by using each attribute of the database as the superparent. Aggregating one-dependence estimators AODEs, which estimates the corresponding parameters for every SPODE, has been proved to be one of the most efficient models due to its high accuracy among those improvements for NB classifier. This paper investigates a novel approach to ensemble the single SPODE based on the boosting strategy, Boosting for superparent-one-dependence estimators, simply, BODE. BODE first endows every instance a weight, and then find an optimal SPODE with highest accuracy in each iteration as a weak classifier. By doing so, BODE boosts all the selected weak classifiers to do the classification in the test processing. Experiments on UCI datasets demonstrate the algorithm performance.
登录
查看更多内容
DOI：
10.4135/9781452244723.n136
发表时间：
1996
期刊：
--
影响因子：
--
作者：
P. Adriaans;Dolf Zantinge
通讯作者：
P. Adriaans;Dolf Zantinge
DOI：
10.1007/978-1-4471-7452-3_30
发表时间：
2019
期刊：
Neural Networks and Statistical Learning
影响因子：
--
作者：
Ke-Lin Du;M L N Swamy
通讯作者：
Ke-Lin Du;M L N Swamy
DOI：
10.1007/11766247_44
发表时间：
2006-06
期刊：
--
影响因子：
--
作者：
Liangxiao Jiang;Harry Zhang
通讯作者：
Liangxiao Jiang;Harry Zhang
DOI：
10.1016/s0167-739x(97)00014-9
发表时间：
1997-11
期刊：
Future Gener. Comput. Syst.
影响因子：
--
作者：
S. Hong
通讯作者：
S. Hong
影响因子：
7.5
作者：
Webb, GI;Boughton, JR;Wang, ZH
通讯作者：
Wang, ZH