论文部分内容阅读
TAN是一种非常有效的贝叶斯网分类器，但其不足之处是缺少根据实际问题放宽假设限制条件的能力．首先提出了增强属性的概念，通过有差别地处理属性变量实现对TAN分类器的扩展，从而得到了增强的TAN分类器（ATAN）．其次，引入数据挖掘工具Weka中更一般化的TAN学习算法，并在此基础上实现了ATAN学习算法．利用Weka实验平台进行的大量测试表明，对于大多数分类问题，ATAN的确能够在不增加时问复杂度的前提下得到相对于TAN更高的分类准确率．