There is of course a lot of prior w

There is of course a lot of prior work that has tried
to improve the performance of naive Bayes. Usually
these approaches address the main weakness in naive
Bayes-the independence assumption-either explicitly
by directly estimating dependencies, or implicitly
by increasing the number of parameters that are estimated.
Both approaches allow for a tighter fit of the
training data.
Typically the independence assumption is relaxed in
a way that still keeps the computational advantages
of pure naive Bayes. Two such methods are treeaugmented
naive Bayes (Friedman et a!., 1997) and
AODE ( Webb et a!., 2003). Both enable some attribute
dependencies to be captured while still being
computationally efficient.
Some alternative approaches try to transform the original
problem to a form that allows for the correct treatment
of some of the dependencies. Both semi-naive
Bayes ( Kononenko, 1991) and the Cartesian product
method ( Pazzani, 1996) are such transformation-based
attempts for capturing pairwise dependencies.

ผลลัพธ์ (ไทย) 1:

แน่นอนมีของก่อนหน้านี้ได้พยายามเพื่อปรับปรุงประสิทธิภาพของ Bayes ขำน่า โดยทั่วไปวิธีเหล่านี้อ่อนแอหลักในขำน่าอินดีเพนเดนซ์ Bayes ที่อัสสัมชัญได้อย่างชัดเจนโดยการประเมินอ้างอิง โดยตรง หรือนัยโดยการเพิ่มจำนวนของพารามิเตอร์ที่มีประเมินทั้งสองวิธีให้พอดีกับสัดข้อมูลการฝึกอบรมโดยทั่วไปสมมติฐานเป็นอิสระผ่อนคลายในยังคง รักษาข้อดีคอมพิวเตอร์ของแท้ขำน่า Bayes Treeaugmented มีสองวิธีดังกล่าวขำน่า Bayes (ฟรีดแมนร้อยเอ็ดเป็น! ., 1997) และAODE (เวบบ์ร้อยเอ็ดเป็น! ., 2003) ทั้งเปิดใช้งานคุณลักษณะบางอย่างอ้างอิงจะสามารถจับภาพขณะที่ยังคง เป็นcomputationally มีประสิทธิภาพบางวิธีอื่นพยายามแปลงต้นฉบับปัญหาฟอร์มที่ช่วยให้การรักษาที่ถูกต้องบางส่วนของการขึ้นต่อกัน ทั้งกึ่งขำน่าBayes (Kononenko, 1991) และคูณคาร์ทีเซียนวิธีการ (Pazzani, 1996) ได้เช่นการเปลี่ยนแปลงตามความพยายามสำหรับจับอ้างอิงแพร์ไวส์

ผลลัพธ์ (ไทย) 2:

มีหลักสูตรการทำงานมากก่อนที่มีการพยายามที่จะปรับปรุงประสิทธิภาพการทำงานของเบส์ไร้เดียงสา
โดยปกติวิธีการเหล่านี้อยู่จุดอ่อนหลักในไร้เดียงสาBayes-อิสระสมมติฐาน-อย่างชัดเจนโดยตรงประเมินอ้างอิงหรือโดยปริยายโดยการเพิ่มจำนวนของพารามิเตอร์ที่ประมาณ. วิธีการทั้งสองอนุญาตให้เป็นแบบที่เข้มงวดมากขึ้นของข้อมูลการฝึกอบรม. โดยปกติสมมติฐานอิสระ ผ่อนคลายในแบบที่ยังคงความได้เปรียบในการคำนวณบริสุทธิ์ไร้เดียงสาBayes สองวิธีดังกล่าวจะ treeaugmented ไร้เดียงสา Bayes (ฟรีดแมนและกัน!., 1997) และAODE (เวบบ์เอตกัน!., 2003) ทั้งสองช่วยให้แอตทริบิวต์บางอ้างอิงจะถูกจับในขณะที่ยังคงความมีประสิทธิภาพคอมพิวเตอร์. บางวิธีการทางเลือกพยายามที่จะเปลี่ยนเดิมปัญหาในรูปแบบที่ช่วยให้การรักษาที่ถูกต้องของบางส่วนของการอ้างอิง ทั้งกึ่งไร้เดียงสาBayes (Kononenko, 1991) และผลิตภัณฑ์ Cartesian วิธี (Pazzani, 1996) มีการเปลี่ยนแปลงที่ใช้เช่นความพยายามในการจับคู่การอ้างอิง

ผลลัพธ์ (ไทย) 3:

มีแน่นอนมากของก่อนงานที่ได้พยายาม
เพื่อปรับปรุงประสิทธิภาพของไร้เดียงสา Bayes . โดยปกติ
วิธีเหล่านี้ที่อยู่หลักของความอ่อนแอในไร้เดียงสา Bayes ความเป็นอิสระสมมติฐานให้ชัดเจน

โดยตรงประมาณการอ้างอิงหรือโดยปริยาย
โดยการเพิ่มจำนวนของพารามิเตอร์ที่ประมาณ .
ทั้งสองวิธีให้พอดีกับที่เข้มงวดมากขึ้นของข้อมูล

ฝึกโดยทั่วไปความเป็นอิสระอัสสัมชัญผ่อนคลาย
วิธีที่ยังประโยชน์คอมพิวเตอร์
ของ Bayes ไร้เดียงสาบริสุทธิ์ สองวิธีการดังกล่าวจะ treeaugmented
Naive Bayes ( ฟรีดแมน ET ! . , 1997 ) และ
aode ( เวบบ์ ET ! . , 2003 ) ทั้งช่วยให้บางพึ่งพาคุณลักษณะ
จะจับในขณะที่ยังคงถูก

computationally มีประสิทธิภาพ บางแนวทาง ลองเปลี่ยนต้นฉบับ
ปัญหาของรูปแบบหนึ่งที่ช่วยให้การรักษาที่ถูกต้อง
ของบางส่วนของการอ้างอิง . ทั้งสองกึ่งใสซื่อ
เบย์ ( kononenko , 1991 ) และผลคูณคาร์ทีเซียน
วิธี ( pazzani , 1996 ) มีการเปลี่ยนแปลง จากความพยายามในการจับคู่
การอ้างอิง .