简介:平均单一依赖估计算法(averagedone-dependenceestimators,AODE)是通过放松朴素贝叶斯算法的假设条件得到的一种更加高效的分类算法,但AODE算法将所有父属性对分类的贡献程度看成是一样的,这使得AODE算法的分类效果受到限制。针对这个问题,利用相关系数Tau-y和Lambda-y分别计算各个特征属性对分类的贡献程度,并用计算结果对父属性加权,得到了两个改进的AODE算法:T-AODE和L-AODE算法。然后,利用加利福尼亚大学的埃文斯(UniversityofCaliforniaIrvine,UCI)标准数据集在Eclipse上对这两个算法进行分类实验,结果显示两个改进的AODE算法的精确度要优于原始AODE算法。
简介:把有序加权几何平均(OWGA)算子推广到所给定的数据信息均为区间数形式的不确定环境之中.首先给出了区间数两两比较的可能度的一个公式,证明了该公式与现有的公式是等价的,并给出了该公式的一些优良性质.其次,研究了不确定有序加权几何平均算子,这里算子的权重参数不能够确定,但是值的范围是给定的,并且不确定OWGA算子的集结值是已知的.建立了一个线性目标规划模型,求解该模型,不仅可以得到不确定OWGA算子的权重向量而且可得到方案的估计值,然后用可能度公式通过对估计集结值的比较来对方案进行排序.最后通过实例说明了该方法的有效性和可行性.