-
题名基于改进信息增益的ACO-WNB分类算法研究
被引量：6
- 1
-
-
作者
邱宁佳
高鹏
王鹏
陶跃
-
机构
长春理工大学计算机科学技术学院
-
出处
《计算机仿真》
北大核心
2019年第1期295-299,共5页
-
基金
吉林省科技发展计划重点科技攻关项目(20150204036GX)
吉林省省级产业创新专项资金项目(2017C051)
-
文摘
针对朴素贝叶斯分类算法对文本分类性能不高的问题,提出一种基于改进信息增益的ACO-WNB分类算法。首先,根据特征词在数据集中的词频分布情况加入调节因子,对特征词的贡献/干扰作用进行增强/抑制的调节,选择具有强区分度的特征形成特征子集,提高IG处理非均衡数据集的准确率。然后,将蚁群优化算法(ACO)和加权朴素贝叶斯模型相结合,利用ACO对权重进行迭代和全局寻优,生成ACO-WNB分类器,提高对文本数据的分类效率。使用典型新闻数据集将改进前后的算法对比分析,实验表明IG (可以有效去除冗余的高频特征,对非均衡数据集有更好的特征选择能力,ACO-WNB分类器具有更高的准确率,使得对实际的文本数据有更好的分类效率。
-
关键词
朴素贝叶斯
信息增益
特征子集
蚁群算法
-
Keywords
Naive Bayesian(NB)
Information gain(IG)
Feature subset
ant colony optimization(avo)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
