导读:本文包含了朴素贝叶斯分类算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:朴素,算法,模型,文本,数据挖掘,多项式,组织网络。
朴素贝叶斯分类算法论文文献综述
葛继科,陈栋,王文和,陈祖琴,陈国荣[1]（2019）在《基于改进朴素贝叶斯分类算法的火灾分类》一文中研究指出针对火灾文本中各类别分布不均衡的特点,提出了基于改进朴素贝叶斯(INB)的文本分类算法,用于对其进行相对准确的分类。首先,利用改进的卡方统计(ICHI)方法提取各类别文本特征词条,再根据特征词条在对应类别中所起的作用不同,使用词频-反文档频率(TF-IDF)加权计算方法对其赋予不同的权重,从而构建INB分类器;接着,通过分词处理和特征词提取,构建火灾文本数据集;最后,应用INB分类器实现对火灾文本的有效分类。本方法规范化地提取和表示了火灾文本的特征词条,解决了火灾文本在训练集数据量少且各类别分布不均衡时存在少数类别特征被覆盖和分类准确度受特征词集规模影响较大的问题。为了验证本方法的有效性,引入Kappa系数作为分类器性能评价指标,并与传统朴素贝叶斯方法和补集朴素贝叶斯算法进行比较。结果表明,所提方法准确度和Kappa系数分别达到了91. 45%和0. 903,分类器性能比较理想,能够较为准确地对类别分布不均衡的火灾文本进行分类。(本文来源于《安全与环境学报》期刊2019年04期）
崔良中,郭福亮,宋建新[2]（2019）在《基于Map/Reduce的朴素贝叶斯数据分类算法研究》一文中研究指出针对目前机器学习研究领域中的数据分类问题,选择朴素贝叶斯算法作为研究对象。首先,通过对样本数据特征属性的权重进行加权调整,提高算法处理的准确率;然后,改进朴素贝叶斯算法分类器模型,使其能够利用Map/Reduce并行编程模型,采用多计算资源节点并行处理,进一步提高处理速度。最后,对UCI dataset数据库进行实验验证,结果表明:改进后的算法在海量数据分类处理中具有更好的性能表现。(本文来源于《海军工程大学学报》期刊2019年04期）
吴家皋,周虹宇,刘林峰[3]（2019）在《基于半朴素贝叶斯分类器的车载容迟网路由算法》一文中研究指出在真实环境下的车载容迟网中,节点的移动模式通常具有一定的时间周期性。基于这个特性,文中提出了基于半朴素贝叶斯分类器的路由算法。该算法基于节点周期性移动的网络属性(比如数据包转发的时间和地点)划分节点类别并以此进行路由决策。相较于现有基于先验概率的算法和朴素贝叶斯算法,该算法基于包含更多信息的后验概率并着重考虑属性间的依赖关系。仿真实验结果表明,该算法相较于传统的路由算法提升了报文投递率,并减少了网络开销。(本文来源于《南京邮电大学学报(自然科学版)》期刊2019年03期）
任世超,黄子良[4]（2019）在《基于二维信息增益加权的朴素贝叶斯分类算法》一文中研究指出由于朴素贝叶斯算法的特征独立性假设以及传统TFIDF加权算法仅仅考虑了特征在整个训练集的分布情况,忽略了特征与类别和文档之间关系,造成传统方法赋予特征的权重并不能代表其准确性.针对以上问题,提出了二维信息增益加权的朴素贝叶斯分类算法,进一步考虑到了特征的二维信息增益即特征类别信息增益和特征文档信息增益对分类效果的影响,并设计实验与传统的加权朴素贝叶斯算法相比,该算法在查准率、召回率、F1值指标性能上能提升6%左右.(本文来源于《计算机系统应用》期刊2019年06期）
李宏磊,丛玉良,任柏寒[5]（2019）在《基于隐朴素贝叶斯分类方法的垂直切换算法》一文中研究指出为解决车辆在相对高速运动下产生网络间切换的"乒乓效应",根据隐朴素贝叶斯分类思想,突破原有贝叶斯决策中关于属性之间完全独立的假设,建立属性间的关系,同时引入自适应修正概率,降低切换次数,避免了运算的复杂度。仿真结果表明,改进算法与原算法及其他算法相比较,可以有效降低切换次数,并且拥有更低的运行时间,提升了在车联网环境下垂直切换的稳定性与效率。(本文来源于《吉林大学学报(信息科学版)》期刊2019年03期）
王彬菁[6]（2019）在《基于朴素贝叶斯分类算法的微博文本的情感分析研究》一文中研究指出随着移动互联技术的发展,微博作为一种新媒体形式日益成为国内主流的移动社交媒体平台,微博使用的人群数量庞大,微博平台包含的内容丰富,网络社交的功能突出。微博包含海量的信息数据且数据种类多样,即有文档文本数据,也有图片、表情符号、视频动画等非结构化的数据。因此,对各政府部门和企业单位的网络舆情监管提出了艰巨的挑战,有关中文微博文本的情感分析的研究也成为近几年数据挖掘领域的关注方向之一,情感分析研究主要围绕着信息的抽取和情感倾向的判定,均离不开对微博文本的分词工作。本文提出一种基于朴素贝叶斯分类算法的分词归类方法,对比PMI互信息和特征频度TF方法的优劣,为微博文本中的词汇进行归类,分为喜、怒、悲、惊、乐五大类,从而分析文本的情感倾向。(本文来源于《中国新通信》期刊2019年08期）
姚家麟,谭召,于松楠,鞠茵茵,刘素娟[7]（2019）在《基于K均值聚类算法及朴素贝叶斯分类器的学习行为分析研究》一文中研究指出随着互联网技术在教育领域应用得越来越成熟,各类型的网络教学平台与测试系统层出不穷。无论是各个高校的网络授课系统,还是包含各类行业实际案例课程的网课平台,都为当代学习者与授课方提供了极大的便利。在各类教学平台中,均有大量的数据产出,对这些在线学习过程中产生的大量数据进行挖掘,可以有效地对学习者的学习行为模式提出建议与优化,同时,可以给授课方精准的授课效果分析,帮助授课方改进授课方针。在由大量用户组成的学习社区生态下,通过多维度数据挖掘,可以对不同用户给出精准的课业投放,大大提高用户的学习体验。(本文来源于《电脑知识与技术》期刊2019年11期）
王阳,周云才[8]（2019）在《朴素贝叶斯分类算法的设计与分析》一文中研究指出随着信息技术的日益发展,特别是信息技术应用的日渐普及,电子文本信息数量急剧增加。如何对这些文本数据做有效的管理和高效的利用是目前信息技术领域所面临的一项重大挑战。文本分类是目前对电子文本进行管理的一种常用方法和是基本步骤。目前在信息过滤、信息检索、数字图书馆等方面对文本分类是应用非常广泛,同时需求也在与日俱增。贝叶斯分类算法,由于有贝叶斯理论作为理论支撑,分类过程可追溯,具有诸多优点,被众多文本处理专家所喜爱。基于贝叶斯方法的分类器的研究和应用,目前已经是模式识别和数据挖掘等领域的研究热点。本文主要是对贝叶斯分类模型进行了分析与实现。(本文来源于《电脑知识与技术》期刊2019年11期）
常江俊,周锋涛,闫美娟[9]（2019）在《基于关联规则挖掘的朴素贝叶斯分类算法》一文中研究指出本文提出使用属性关联的方法对数据进行预处理,从而提升朴素贝叶斯分类准确度的方法,采用WEKA平台及二分类问题来验证改进的算法,实验结果表明,与直接应用朴素贝叶斯分类算法处理垃圾邮件的正确率相比,改进后的算法确实可以提高分类准确率。(本文来源于《数码世界》期刊2019年01期）
张聪慧[10]（2019）在《朴素贝叶斯分类算法在提升电信客户满意度方面的研究应用》一文中研究指出针对电信客户数据量庞大的特点,采用基于python语言的朴素贝叶斯分类算法,对电信客户的投诉内容进行分类,以便在更短的时间内对客户的投诉意见作出有效的处理,从而提高客户的满意度。(本文来源于《科技视界》期刊2019年02期）
朴素贝叶斯分类算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对目前机器学习研究领域中的数据分类问题,选择朴素贝叶斯算法作为研究对象。首先,通过对样本数据特征属性的权重进行加权调整,提高算法处理的准确率;然后,改进朴素贝叶斯算法分类器模型,使其能够利用Map/Reduce并行编程模型,采用多计算资源节点并行处理,进一步提高处理速度。最后,对UCI dataset数据库进行实验验证,结果表明:改进后的算法在海量数据分类处理中具有更好的性能表现。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
朴素贝叶斯分类算法论文参考文献
[1].葛继科,陈栋,王文和,陈祖琴,陈国荣.基于改进朴素贝叶斯分类算法的火灾分类[J].安全与环境学报.2019
[2].崔良中,郭福亮,宋建新.基于Map/Reduce的朴素贝叶斯数据分类算法研究[J].海军工程大学学报.2019
[3].吴家皋,周虹宇,刘林峰.基于半朴素贝叶斯分类器的车载容迟网路由算法[J].南京邮电大学学报(自然科学版).2019
[4].任世超,黄子良.基于二维信息增益加权的朴素贝叶斯分类算法[J].计算机系统应用.2019
[5].李宏磊,丛玉良,任柏寒.基于隐朴素贝叶斯分类方法的垂直切换算法[J].吉林大学学报(信息科学版).2019
[6].王彬菁.基于朴素贝叶斯分类算法的微博文本的情感分析研究[J].中国新通信.2019
[7].姚家麟,谭召,于松楠,鞠茵茵,刘素娟.基于K均值聚类算法及朴素贝叶斯分类器的学习行为分析研究[J].电脑知识与技术.2019
[8].王阳,周云才.朴素贝叶斯分类算法的设计与分析[J].电脑知识与技术.2019
[9].常江俊,周锋涛,闫美娟.基于关联规则挖掘的朴素贝叶斯分类算法[J].数码世界.2019
[10].张聪慧.朴素贝叶斯分类算法在提升电信客户满意度方面的研究应用[J].科技视界.2019
论文知识图
