集成分类对比:Bagging NB & Boosting NB

摘要：

Bagging和Boosting是两种重要的投票分类算法,前者并行生成多个分类器,后者通过调整样本权重,串行生成多个分类器.将Bagging与Boosting算法与朴素贝叶斯算法相集成,构建了Bagging NB和AdaBoosting NB算法.以UCI数据集为基础,进行实验对比,结果表明,Bagging NB算法较为稳定,可以产生优于NB算法的分类结果,而Boosting算法受到数据分布中的奇异值影响较大,部分数据集上与NB算法的基础效果较差.

关键词： 投票分类算法 朴素贝叶斯 数据分布

作者: 李晓波

作者单位: 潍坊学院,计算机与通信工程学院,山东,潍坊,261061

会议类型: 国内会议

会议名称: 2010全国开放式分布与并行计算学术年会

会议地点: 乌鲁木齐

会议语种:中文

页码: 136-139

在线出版日期: 2010-08-19（万方平台首次上网日期，不代表论文的发表时间）