本文關鍵詞：基于屬性選擇的樸素貝葉斯分類研究與應用，，由筆耕文化傳播整理發(fā)布。

【摘要】：貝葉斯分類方法能夠較好地處理各種數(shù)據(jù)類型,隨著中醫(yī)診斷在規(guī)范化和量化方面的進步,越來越多的學者將貝葉斯分類方法應用在中醫(yī)診斷中。樸素貝葉斯分類算法(NBC)作為其經(jīng)典算法之一,具有結(jié)構(gòu)簡單、計算高效的優(yōu)點。但NBC基本條件獨立性的假設,限制了其使用范圍；另外,隨著數(shù)據(jù)量的增大,在實際數(shù)據(jù)集中常存在一些冗余屬性,降低了NBC的學習效率和分類性能。為了更好地適應實際需求,本文以NBC為基本對象,從屬性選擇、屬性加權(quán)和結(jié)構(gòu)擴展三個方而對NBC進行改進,并將改進后的模型應用到不孕癥中醫(yī)診斷問題中,通過實驗驗證了其有效性和準確性。首先,為提高分類準確率,本文提出一種基于 KL距離與分裂信息的屬性權(quán)值計算方法,并將此權(quán)值作為隱樸素貝葉斯模型(HNB)中屬性的加權(quán)系數(shù),提出一種改進的加權(quán)隱樸素貝葉斯分類算法(WHNBC)。實驗結(jié)果表明了與其他分類算法相比,WHNBC算法提高了分類準確率,這也從側(cè)面驗證了本文提出的屬性權(quán)值計算方法的正確性和有效性。其次,針對實際應用數(shù)據(jù)中存在冗余或無關屬性的問題,本文在基于相關的屬性選擇算法基礎上引入了Pearson相關系數(shù)和屬性之間相關度方差的概念,提出了VCFSPabs屬性選擇算法。實驗結(jié)果驗證了該算法可以有效地去除冗余屬性并獲得良好的屬性子集。然后,在屬性子集和WHNBC算法的基礎上,本文提出了一種基于屬性選擇的改進加權(quán)隱樸素貝葉斯分類模型(AS-WHNB),該模型主要由屬性選擇、屬性權(quán)值計算以及模型的分類訓練三部分組成。其中,在模型分類訓練部分,我們將屬性選擇部分獲得的屬性子集,進一步劃分為強屬性子集和弱屬性子集,并在兩個子集上分別采用WHNBC模型和NBC模型進行訓練。實驗結(jié)果表明,當屬性數(shù)目較多時,AS-WHNB分類模型不僅提高了分類準確率,還有效地降低了分類消耗時間。最后,我們對臨床采集的不孕癥數(shù)據(jù)集進行預處理,并將NB、C4.5、TAN、 AODE、WHNBC算法以及AS-WHNB分類模型應用到不孕癥中醫(yī)診斷問題中。對比并分析實際的實驗結(jié)果可以發(fā)現(xiàn),AS-WHNB分類模型具有較好的分類性能,這表明本文提出的AS-WHNB分類模型為不孕癥中醫(yī)診斷建模提供了一種好的思路和方法。
【關鍵詞】：不孕癥中醫(yī)診斷 分類算法 樸素貝葉斯 加權(quán)系數(shù) 屬性選擇 結(jié)構(gòu)擴展
【學位授予單位】：中國科學技術(shù)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 緒論11-21
• 1.1 研究背景和意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-16
• 1.3 主要研究內(nèi)容16-18
• 1.4 論文的結(jié)構(gòu)安排18-21
• 第2章 相關理論概述21-33
• 2.1 屬性選擇理論概述21-24
• 2.1.1 屬性選擇流程21-22
• 2.1.2 屬性空間搜索22-23
• 2.1.3 屬性關系測度與評價23-24
• 2.2 貝葉斯方法相關理論24-27
• 2.2.1 概率論基礎知識24-26
• 2.2.2 貝葉斯定理26
• 2.2.3 貝葉斯分類26-27
• 2.3 樸素貝葉斯分類模型27-32
• 2.3.1 NBC模型概述27-29
• 2.3.2 常用的擴展NBC模型29-32
• 2.4 本章小結(jié)32-33
• 第3章 改進的加權(quán)隱樸素貝葉斯分類算法33-47
• 3.1 隱樸素貝葉斯模型33-36
• 3.1.1 模型的結(jié)構(gòu)和思想33-35
• 3.1.2 模型的學習算法35-36
• 3.2 加權(quán)樸素貝葉斯分類算法36-39
• 3.2.1 算法思想與步驟36-37
• 3.2.2 屬性權(quán)值的確定37-39
• 3.3 改進的加權(quán)隱樸素貝葉斯算法39-41
• 3.3.1 算法的提出與構(gòu)造39
• 3.3.2 算法的實現(xiàn)與分析39-41
• 3.4 實驗評估41-46
• 3.4.1 實驗數(shù)據(jù)與設計41-43
• 3.4.2 實驗結(jié)果與分析43-46
• 3.5 本章小結(jié)46-47
• 第4章 基于屬性選擇的加權(quán)隱樸素貝葉斯模型47-67
• 4.1 一種改進的屬性選擇算法47-55
• 4.1.1 CFS算法47-49
• 4.1.2 VCFSPabs算法49-51
• 4.1.3 實驗設計與評估51-55
• 4.2 基于屬性選擇的改進加權(quán)隱樸素貝葉斯分類模型55-60
• 4.2.1 模型的提出與構(gòu)造55-56
• 4.2.2 模型的設計與實現(xiàn)56-60
• 4.3 實驗評估60-65
• 4.3.1 實驗數(shù)據(jù)與設計60-61
• 4.3.2 實驗結(jié)果與分析61-65
• 4.4 本章小結(jié)65-67
• 第5章 AS-WHNB模型在不孕癥中醫(yī)診斷中的應用67-79
• 5.1 問題描述67-68
• 5.2 不孕癥中醫(yī)診斷模型的設計與實現(xiàn)68-73
• 5.2.1 數(shù)據(jù)采集與預處理68-70
• 5.2.2 樣本特征處理70-72
• 5.2.3 AS-WHNB模型實現(xiàn)過程72-73
• 5.3 實驗結(jié)果與分析73-77
• 5.4 本章小結(jié)77-79
• 第6章 總結(jié)與展望79-81
• 6.1 本文工作總結(jié)79-80
• 6.2 下一步工作80-81
• 參考文獻81-85
• 附錄1 插圖索引85-86
• 附錄2 表格索引86-87
• 致謝87-89
• 在讀期間發(fā)表的學術(shù)論文與取得的其他研究成果89

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊葛鐘嘯;倪志偉;倪麗萍;梁敏君;;基于分形和鄰接空間密度變化的屬性選擇方法[J];計算機工程與應用;2008年20期

2 劉星毅;;基于性價比的分裂屬性選擇方法[J];計算機應用;2009年03期

3 鄭麟;;基于貢獻因子的改進決策樹屬性選擇方法[J];汕頭大學學報(自然科學版);2013年01期

4 焦鵬;王新政;謝鵬遠;;基于屬性選擇法的樸素貝葉斯分類器性能改進[J];電訊技術(shù);2013年03期

5 楊成東;鄧廷權(quán);;綜合屬性選擇和刪除的屬性約簡方法[J];智能系統(tǒng)學報;2013年02期

6 楊秋潔;胡學鋼;;一種屬性選擇方法FS-IV的研究[J];合肥工業(yè)大學學報(自然科學版);2010年12期

7 蔡月紅;朱倩;孫萍;程顯毅;;基于屬性選擇的半監(jiān)督短文本分類算法[J];計算機應用;2010年04期

8 鄭麗萍;姜華;李俊青;;基于PSO的屬性選擇方法[J];計算機工程與科學;2011年06期

9 喻小光;陳維斌;陳榮鑫;;一種數(shù)據(jù)規(guī)約的近似挖掘方法的實現(xiàn)[J];華僑大學學報(自然科學版);2008年03期

10 謝妞妞;劉於勛;;決策樹屬性選擇標準的改進[J];計算機工程與應用;2010年34期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 朱佳賢;;無指導學習環(huán)境下基于屬性相關性分析和聚類算法的屬性選擇問題研究[A];第11屆海峽兩岸信息管理發(fā)展策略研討會論文集[C];2005年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 山東 連仁包;用Delphi實現(xiàn)圖片瀏覽功能[N];電腦報;2001年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 李靜寬;代價約束下的屬性選擇問題[D];閩南師范大學;2015年

2 杜婷;基于屬性選擇的樸素貝葉斯分類研究與應用[D];中國科學技術(shù)大學;2016年

3 朱佳賢;無指導學習環(huán)境下屬性選擇問題應用研究[D];上海財經(jīng)大學;2005年

4 徐黎明;基于粗糙集合的屬性選擇方法研究[D];北京交通大學;2007年

5 邵進智;基于屬性間相關性分析的屬性選擇方法研究[D];北京交通大學;2009年

6 王文濤;符號屬性數(shù)據(jù)的半監(jiān)督聚類與屬性選擇[D];浙江大學;2013年

7 劉鳴鳴;幾類復雜體系的分類及屬性選擇問題研究[D];大連理工大學;2009年

8 曹源;基于屬性間相關性分類理論的屬性選擇方法研究[D];北京交通大學;2008年

9 曾德志;數(shù)據(jù)挖掘中基于統(tǒng)計相關的屬性選擇研究[D];西南財經(jīng)大學;2009年

10 文專;基于神經(jīng)網(wǎng)絡的分類數(shù)據(jù)挖掘?qū)傩赃x擇和規(guī)則抽取研究[D];天津大學;2004年

  本文關鍵詞：基于屬性選擇的樸素貝葉斯分類研究與應用，由筆耕文化傳播整理發(fā)布。

本文編號：387212