简介：摘 要 本文构造一种集成贝叶斯分类器用于舆情文本分类，目的是对数据量大、突发性强的舆情信息进行自动分类分析，对训练样本做样本分词和去停用词处理后，将训练样本集分为N个样本子集，对每个子集训练贝叶斯分类器，并集成各个基分类器，对舆情文本进行分类，能够取得较高的分类准确率。
简介：摘 要 本文提出一种改善特征选择的集成贝叶斯分类器，分类过程中先对文本样本进行分词和去停用词处理，然后通过特征选择实现降维，拆分训练样本，集成每个子集上得到的贝叶斯分类器进行分类，目的是对数据量大、突发性强的网络文本进行快速分类分析，并取得较高的分类准确率。
简介：
简介：摘要本文提出一种数据流中利用异种分类器集成进行入侵检测的算法设计。该算法中，我们利用距离当前较近的四个不同时间段数据学习生成四中不同的分类器。根据各个分类器在新到达数据上的的F-度量以及分类准确率计算它们的权重，进而加权平均检测数据流当中的入侵行为，同时调整滑动窗口中的基本窗口，不断更新模型。
简介：摘 要 本文提出一种集成贝叶斯分类器的数据流入侵检测模型，目的是在适应概念漂移的前提下，利用多个时间段的数据学习生成多个贝叶斯分类器，检测入侵行为。为了提高分类器的构建速度和准确率，可以使用卡方检验先对数据进行特征缩减等预处理，达到优化目的。
集成贝叶斯分类器用于舆情文本分类
一种改善特征选择的集成贝叶斯分类器用于文本分类
数据流环境下集成异种分类器的入侵检测模型
数据流中利用异种分类器集成进行入侵检测的算法设计
利用卡方检验优化集成贝叶斯分类器用于数据流入侵检测的方法
