在逐渐缩小的空间上渐进学习朴素贝叶斯参数

？局部加权朴素贝叶斯(lwnb)是朴素贝叶斯(nb)的一种较好的改进，判别频率估计(dfe)可以极大地提高nb的泛化正确率。受lwnb和dfe启发，提出逐渐缩小空间(gcs)算法用来学习nb参数：对于一个测试实例，寻找包含全体训练实例的全局空间的一系列逐渐缩小的子空间。这些子空间具有两种性质：1)它们都包含测试实例；2)一个空间一定包含在任何一个比它大的空间中。在逐渐缩小的空间上使用修改的dfe(mdfe)算法渐进地学习nb的参数，然后使用nb分类测试实例。与lwnb的根本不同是：gcs使用全体训练实例学习nb并且gcs可以实现为非懒惰版本。实现了gcs的决策树版本(gcs-t)，实验结果显示，与c4.5以及贝叶斯分类算法(如naivebayes、baysiannet、nbtree、lwnb、隐朴素贝叶斯)相比，gcs-t具有较高的泛化正确率，并且gcs-t的分类速度明显快于lwnb。