1) tree augmented naive bayes
![点击朗读](/dictall/images/read.gif)
树扩张型朴素贝叶斯
1.
Via the analysis of the structure of naive bayes classifiers and tree augmented naive bayes classifiers,a new method describing the dependence among attributes is presented.
通过分析朴素贝叶斯分类器与树扩张型朴素贝叶斯(TAN)分类器,提出了一种新的属性依赖度量方法,并依此对TAN分类器的构造方法进行了改进。
2) tree augmented Nave Bayes
![点击朗读](/dictall/images/read.gif)
树扩展型朴素贝叶斯
1.
TAN(tree augmented Nave Bayes) takes the Nave Bayes classifier and adds edges to it,it is efficient extend of Nave Bayes.
树扩展型朴素贝叶斯(TAN)分类器放松了朴素贝叶斯的属性独立性假设,是对朴素贝叶斯分类器的有效改进。
3) tree-augmented Naive Bayes
![点击朗读](/dictall/images/read.gif)
树扩张型贝叶斯
4) TAN structure
![点击朗读](/dictall/images/read.gif)
树扩展朴素贝叶斯结构
5) tree augmented nave Bayes
![点击朗读](/dictall/images/read.gif)
树扩展朴素贝叶斯
1.
This paper presents an intrusion detection system model based on tree augmented nave Bayes(TAN).
提出了一种基于树扩展朴素贝叶斯(tree augmented naive Bayes,TANB)的入侵检测方法。
6) extended tree augmented naive Bayesian classifier
![点击朗读](/dictall/images/read.gif)
扩展的树增强朴素贝叶斯分类模型
补充资料:贝叶斯公式
贝叶斯公式为利用搜集到的信息对原有判断进行修正提供了有效手段。在采样之前,经济主体对各种假设有一个判断(先验概率),设为,{}。
关于先验概率的分布,通常可根据经济主体的经验判断确定(当无任何信息时,一般假设各先验概率相同),较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后,当事人对各假设的判断(后验概率)为
关于先验概率的分布,通常可根据经济主体的经验判断确定(当无任何信息时,一般假设各先验概率相同),较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后,当事人对各假设的判断(后验概率)为
,= 1, 2, %26#8230;, (5.5)
在实际经济生活中,信息搜寻工作不是一次就完成的。当信息搜寻进行到某一阶段,设已进行了 次采样( =1,2,%26#8230;),此时经济主体对各假设的后验概率的认识为
=1, 2, %26#8230;, (5.6)
其中,表示在第次采样前对假设的判断,当 =1时即表示第一次采样前的先验概率,从而式(5.5)变成式(5.6)的一个特例,即,将其记为。
说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条