新的HEB-NB方法增强了朴素贝叶斯分类器性能

研究人员开发了一种名为分层经验贝叶斯朴素贝叶斯（HEB-NB）的新方法，以提高朴素贝叶斯分类器的性能，特别是在高基数表格数据方面。与使用固定强度的传统平滑技术不同，HEB-NB能从数据中自适应地学习平滑参数，从而实现跨类别的更好信息共享。这种方法扩展到HEB平均一元依赖估计器（HEB-AODE），理论上达到了最小最大速率，并在大量基准测试中通过经验证明显著降低了对数损失并提高了校准性能。 AI

影响 这项研究为表格数据上的分类任务提供了更高的准确性和更好的校准，可能使各种机器学习应用受益。

排序理由 该集群包含一篇详细介绍新机器学习方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Dirichlet
• HEB-AODE
• HEB average one-dependence estimators
• HEB-NB
• Hierarchical Empirical-Bayes Naive Bayes
• Krichevsky-Trofimov
• Laplace
• Lidstone
• M-estimator
• naive Bayes classifier
• OpenML
• University of California, Irvine

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →