文件名称：random_naive_bayes:朴素贝叶斯分类器随机集成的 Python 实现
文件大小：9KB
文件格式：ZIP
更新时间：2024-07-07 03:34:29
Python
概述 通过将使用随机特征的 boostrapped 朴素贝叶斯分类器组合成单个集成，可以提高朴素贝叶斯分类器的分类精度和概率估计的精度。 我对离散朴素贝叶斯集合的处理方法严格遵循 Breiman 随机森林 [1] 的一般思想。 每个基分类器都是通过 Scikit-Learn [2] 实现的离散朴素贝叶斯。 基本分类器在数据的自举样本和特征的随机子集上进行训练。 为了诱导多样性，连续变量被分箱成随机分区长度。 最大箱数被视为超参数。 我已经成功使用了 70 的 bin 大小，但是对于超过 50 的任意数量的 bin，结果可能非常相似（取决于数据的大小）。 具有如此大的 bin 大小的朴素贝叶斯分类器会导致过度拟合，但在集成中，这类似于随机森林使用未修剪的决策树。 最后，可以根据准确率、AUC 或指数损失选择随机朴素贝叶斯模型的超参数。 我尝试了对指数损失的适应，例如 Rudin [3]
【文件预览】：
random_naive_bayes-master
----random_nb.py(11KB)
----ranking_metrics.py(3KB)
----helper_functions.py(7KB)
----README.md(2KB)