分数朴素贝叶斯(FNB):用于简约加权选择朴素贝叶斯分类器的非凸优化
原文中文,约300字,阅读约需1分钟。发表于: 。本研究针对输入变量数量极大的数据集中的监督分类问题,提出了一种通过稀疏正则化模型对数似然进行直接估计的加权朴素贝叶斯分类器。通过引入变量权重的非凸优化,研究表明与现有的基于平均的方法相比,所提方法可以在减少变量数量的同时保持相当的分类性能,从而在模型简约性和稳定性方面取得了显著的提升。
这项研究提出了一个新的框架SimPro,通过改进期望最大化算法来实现对未标记数据的建模和分类。SimPro框架易于实现且具备理论保证,展示了一致的最先进性能。