Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Hybrid Group Search Optimizer with Opposition-Based Learning and Differential Evolution Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

A Double Weighted Naive Bayes for Multi-label Classification

verfasst von : Xuesong Yan, Wei Li, Qinghua Wu, Victor S. Sheng

Erschienen in: Computational Intelligence and Intelligent Systems

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Multi-label classification is to assign an instance to multiple classes. Naive Bayes (NB) is one of the most popular algorithms for pattern recognition and classification. It has a high performance in single label classification. It is naturally extended for multi-label classification under the assumption of label independence. As we know, NB is based on a simple but unrealistic assumption that attributes are conditionally independent given the class. Therefore, a double weighted NB (DWNB) is proposed to demonstrate the influences of predicting different labels based on different attributes. Our DWNB utilizes the niching cultural algorithm to determine the weight configuration automatically. Our experimental results show that our proposed DWNB outperforms NB and its extensions significantly in multi-label classification.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Partitioned Parallelization of MOEA/D for Bi-objective Optimization on Clusters
Nächstes Kapitel An Improved Keyword Search on Big Data Graph with Graphics Processors
Literatur
1.
Pearl, J.: Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Reasoning. Morgan Kaufmann Publishers, Los Altos (1988)
2.
Langley, P., Iba, W., Thompson, K.: An analysis of Bayesian classifiers. AAAI 90, 223–228 (1992)
3.
Xie, Z., Hsu, W., Liu, Z., Li Lee, M.: SNNB: a selective neighborhood based Naive Bayes for lazy learning. In: Chen, M.-S., Yu, P.S., Liu, B. (eds.) PAKDD 2002. LNCS (LNAI), vol. 2336, pp. 104–114. Springer, Heidelberg (2002)CrossRef
4.
Langley, P., Sage, S.: Induction of selective Bayesian classifiers. In: Proceedings of the 10th International Conference on Uncertainty in Artificial Intelligence, pp. 399–406. Morgan Kaufmann Publishers Inc (1994)
5.
Friedman, N., Geiger, D., Goldszmidt, M.: Bayesian network classifiers. Mach. Learn. 29(2–3), 131–163 (1997)CrossRefMATH
6.
Kohavi, R.: Scaling up the accuracy of Naive-Bayes classifiers: a decision-tree hybrid. In: KDD, pp. 202–207 (1996)
7.
Sucar, L.E., Bielza, C., Morales, E.F., et al.: Multi-label classification with Bayesian network-based chain classifiers. Pattern Recogn. Lett. 41, 14–22 (2014)CrossRef
8.
Qu, G., Zhang, H., Hartrick, C.T.: Multi-label classification with Bayesian theorem. In: 4th International Conference on Biomedical Engineering and Informatics (BMEI), vol. 4, pp. 2281–2285. IEEE (2011)
9.
Zhang, H., Sheng, S.: Learning weighted Naive Bayes with accurate ranking. In: 4th IEEE International Conference on Data Mining, pp. 567–570. IEEE (2004)
10.
Hall, M.: Correlation-based feature selection for discrete and numeric class machine‎ learning. In: ‎Proceedings‎ of‎ the 7th‎ Intentional‎ Conference‎ on‎ Machine‎ Learning,‎ Stanford University (2000)
11.
Jiang, L., Zhang, H.: Weightily averaged one-dependence estimators. In: Yang, Q., Webb, G. (eds.) PRICAI 2006. LNCS (LNAI), vol. 4099, pp. 970–974. Springer, Heidelberg (2006)CrossRef
12.
Robnik-Šikonja, M., Kononenko, I.: Theoretical and empirical analysis of ReliefF and RReliefF. Mach. Learn. 53(1–2), 23–69 (2003)CrossRefMATH
13.
Hall, M.: A decision tree-based attribute weighting filter for Naive Bayes. Knowl.-Based Syst. 20(2), 120–126 (2007)CrossRef
14.
Wu, J., Cai, Z.: Attribute weighting via differential evolution algorithm for attribute weighted Naive Bayes (wnb). J. Comput. Inf. Syst. 7(5), 1672–1679 (2011)
15.
Wu, J., Pan, S., Cai, Z., et al.: Dual instance and attribute weighting for Naive Bayes classification. In: 2014 International Joint Conference on Neural Networks (IJCNN), pp. 1675–1679. IEEE (2014)
16.
Reynoids, R.: An introduction to cultural algorithms. In: Sebald, A.X., Fogel, L.J. (eds.) Proceedings of the 3rd Annual Conference on Evolutionary Programming, pp. 13 1–139. World Scientific Publishing, River Edge, NJ (1994)
17.
Chung, C.: Knowledge-based approaches to self-adaptation in cultural algorithms. Ph.D thesis, Wayne State University, Detroit, Michigan, USA (1997)
18.
Zhang, Y.: Cultural algorithm and its application in the portfolio. Master thesis, Harbin University of Science and Technology, Harbin, China (2008)
19.
Horn, J., Nafpliotis, N., Goldberg, D.E.: A niched Pareto genetic algorithm for multi-objective optimization. In: Proceedings of the IEEE World Congress on Computational Intelligence, pp. 82–87 (1994)
Metadaten
Titel
A Double Weighted Naive Bayes for Multi-label Classification
verfasst von
Xuesong Yan
Wei Li
Qinghua Wu
Victor S. Sheng
Copyright-Jahr
2016
Verlag
Springer Singapore
Buch
Computational Intelligence and Intelligent Systems

Print ISBN: 978-981-10-0355-4

Electronic ISBN: 978-981-10-0356-1

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-981-10-0356-1_40