單純貝氏分類器(Naïve Bayes classifier)是一種簡單且實用的分類方法，其主要是根據貝氏定理的理論而來，它透過事前機率和事後機率和各屬性彼此間互相獨立的假設，來預測 ...資料載入處理中...跳到主要內容臺灣博碩士論文加值系統:::網站導覽|首頁|關於本站|聯絡我們|國圖首頁|常見問題|操作說明English|FB專頁|Mobile免費會員登入|註冊功能切換導覽列(45.154.228.9)您好！臺灣時間：2021/09/1921:18字體大小：   :::詳目顯示recordfocus第1筆/共1筆 /1頁論文基本資料摘要外文摘要目次參考文獻電子全文紙本論文論文連結QRCode本論文永久網址: 複製永久網址Twitter研究生:吳若平研究生(外文):Jo-PingWu論文名稱:結合主成分分析之貝氏分類模型論文名稱(外文):NaiveBayesclassifierwithPrincipalComponentsAnalysisforcontinuousattributes指導教授:曾富祥指導教授(外文):Fu-ShiangTseng學位類別:碩士校院名稱:國立中央大學系所名稱:工業管理研究所學門:商業及管理學門學類:其他商業及管理學類論文種類:學術論文論文出版年:2015畢業學年度:103語文別:英文論文頁數:37中文關鍵詞:分類方法、貝氏分類、主成分分析外文關鍵詞:Classification、NaïveBayesianClassifier、PrincipalComponentsAnalysis相關次數:被引用:1點閱:217評分:下載:20書目收藏:0大數據(Bigdata)的時代來臨，資料量急劇增加，資料處理分類的速度也成為資料探勘這門學問的一個很重要的環節。

單純貝氏分類器(NaïveBayesclassifier)是一種簡單且實用的分類方法，其主要是根據貝氏定理的理論而來，它透過事前機率和事後機率和各屬性彼此間互相獨立的假設，來預測分類結果；此分類法為一種監督式的學習方法。

它可以透過簡單的運算，而快速的獲得分類結果，也是其最大的優點。

而獨立性假設就是為了能快速得到結果而設定的，但是現實生活中的資料大多是相依的並無法滿足這個假設。

所以NaïveBayesclassifier的缺點主要有兩點，一個是現實資料並無法滿足這個獨立性假設，另一個則是他只能使用於類別行變數。

我們所提出的新方法就是為了繼續保有NaïveBayesclassifier簡單且快速的優點，並且去除現實例子中資料各屬性彼此間無法滿足獨立性假設的問題。

我們利用主成分分析的轉換將各屬性轉成相互線性獨立的狀態，再用連續型資料離散化的方法將資料轉換成類別行變數，最後再進行NaïveBayesclassifier，進而提高預測模型的準確度。

我們利用UCI資料庫的資料進行模型的測試和比較，並建構出一個優於其他分類法(如:原始的NaïveBayesclassifier、decisiontree、logisticregression等)的新模型。

所以我們分別進行分析及測試，並測試其準確率和信賴區間，觀察資料在不同預測模型中的表現。

最後我們還進一步的去探討不同離散化方法以及利用主成分分析後的結果去降低維度時，對於整個模型準確率的影響。

Duetotheprogressingofthescienceandtechnology,thedataisgrowingrapidly.Thespeedofclassifierhasbecomeanimportantpartofdatamining.NaïveBayesclassifiermodelisasimpleandpracticalmethodofclassification,itisbasedonapplyingBayes’theoremwithstrongindependenceassumptionsbetweenthefeatures.Butthisassumptionisnotveryrealisticasinmanyrealsituations.Weproposeaclassifiermethod,PC-Naïve,whichisbasedonNaïveBayesclassifier.WekeepthesimpleandfastadvantagesoftheNaïveBaysclassifierandrelaxvitalassumptionforindependenceoftheNaïveBayesclassifiemodel.WeusePrincipa