数据挖掘是机器学习领域中的一门技术,是将人工智能技术和数据库技术紧密结合,让计算机帮助人们从庞大的数据中智能地、自动地提取出有价值的知识模式,以满足人们不同应用上的需求。贝叶斯分类器是数据挖掘分类算法中其中之一。它是以贝叶斯定理、最大后验假设、贝叶斯网络和信息学理论为基础。该算法利用先验统计知识具有简单易于计算、能有效处理混合指标属性的分类问题和较好的分类能力等特点,已经成为目前数据挖掘技术的理论和应用研究方法之一。本文主要工作是朴素贝叶斯分类模型的研究和应用。1.首先介绍了贝叶斯分类的基本理论。2.其次总结了几种常用的贝叶斯分类模型:朴素贝叶斯分类模型、CB分类模型、基于属性相关性的分类模型、EANBC分类模型、基于特征加权的朴素贝叶斯分类模型和强属性限定的贝叶斯分类模型。3.本文的重点是对朴素贝叶斯分类算法的进行改进。将卡方统计量的构造思想用于构造属性的相关性度量公式,以此改进贝叶斯分类算法。并通过实验证明了本文提出的改进算法能有效地提高分类效果。最后,对全文进行了总结和展望。