摘要：为了提高不平衡数据集中少数类的分类准确率，文章对组合分类算法进行了研究，提出了一种新的组合分类算法WDB。该算法采用决策树C4.5和朴素贝叶斯两种不同的分类器作为基分类器，选择精确度（precision）作为权值，根据不同的训练集，通过“权值学习”的方式自动调整各基分类器的权值大小，然后，结合各基分类器的预测结果，利用加权平均法进行代数组合，构造出一种新的分类算法WDB。最后，以开放的不平衡数据集作为数据源，利用常见的性能评价指标进行实验验证。实验结果证明，在组合分类算法中引入“权值学习”能够发挥基分类器对于特定数据类型的分类优势，提高预测结果的准确率。WDB算法对不平衡数据集分类的性能优于决策树C4.5算法、朴素贝叶斯算法及随机森林算法，能够有效提升不平衡数据集中少数类的分类准确率。
分类：期刊> 自然科学与工程技术> 信息科技> 计算机软件及计算机应用
收录：知网收录(中) > 维普收录(中) > 万方收录(中) > 国家图书馆馆藏 > 上海图书馆馆藏
关键词：不平衡数据集 组合分类算法 加权平均法 朴素贝叶斯
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
