多阶段聚类—朴素贝叶斯的异常检测

针对异常检测手段用来标定数据集中明显的不同于其他数据的对象，提出多阶段聚类旨在解决噪声数据的引入和缺失属性样本的处理，并改变传统的贝叶斯分类的被动学习为主动学习的方式来构造性能优越的分类器。在数据预处理阶段，利用密度聚类滤去噪声点，密度聚类的输出作为下一阶段的Kmeans聚类的输入，提高了Kmeans的分类准确率。Kmeans负责对缺失属性的样本进行处理。在分类阶段，利用adaboost学习算法优化朴素贝叶斯分类器，使其获得较好的分类效果。