基于不同概率密度估计方法的朴素贝叶斯分类器

摘要

:贝叶斯方法是分类技术中的一个较为基本的方法,通过贝叶斯法则以及相关性质推导出贝叶斯分类器,而引入属性条件独立性假设后,得到了朴素贝叶斯分类器,在不降低分类器性能的基础上降低了计算复杂度,在实际应用中更为简便.不同的概率密度估计方法对于每个属性条件概率的估计效果不同,对朴素贝叶斯分类器的性能也有所影响.在本文中提出了两种概率密度估计方法:核密度估计和混合高斯.这两种方法各有优势和不足,将其应用在实例中,选取苏东41-33区块下古气井的89口测井曲线作为研究数据,分别用核密度估计和混合高斯对训练数据进行概率密度估计,并用单高斯模型作为对照,然后用朴素贝叶斯方法对测试数据进行岩性分类,并统计不同概率密度估计方法下的分类其性能即准确率.