%0 Journal Article
%T 基于模型似然的超1依赖贝叶斯分类器集成方法*
%A 李楠
%A 姜远
%A 周志华
%J 模式识别与人工智能
%P 727-731
%D 2007
%X 平均1依赖贝叶斯分类器(AODE)是一种重要的贝叶斯学习方法，但由于其平等看待各个超1依赖贝叶斯分类器输出，可能对最终结果造成不好影响.本文将每个超1依赖贝叶斯分类器看作一个产生式模型，并通过模型似然度量超1依赖贝叶斯分类器的性能，进而提出基于模型似然的超1依赖贝叶斯分类器集成方法(LODE).与AODE相比，LODE仅增加较少计算量却显著提高分类性能.
%K 机器学习
%K 数据挖掘
%K 贝叶斯学习
%K 朴素贝叶斯
%K 集成学习
%U http://manu12.magtech.com.cn/Jweb_prai/CN/abstract/abstract10563.shtml