最適なナイーブベイズ分類器の学習

ナイーブベイズ分類器は、学習が容易であり、多くの分野で高い精度を誇る効率的な分類モデルです。しかし、主に二つの欠点があります。(i) 属性が独立でない場合、分類精度が低下すること、(ii) 非パラメトリック連続属性に対処できないことです。本研究では、これらの問題に対処し、最適なナイーブベイズ分類器を学習する方法を提案します。この方法には、最小記述長原理に基づいた離散化と構造改善の二つのフェーズが含まれており、分類精度が改善できなくなるまで交互に繰り返されます。依存関係のある属性や無関係な属性に対処するために、相互情報量および条件付き情報量に基づいて属性を削除および/または結合する構造改善手法を適用します。この方法は、異なる二つの分野で良好な結果をもって実験されました。