论文部分内容阅读
介绍增量贝叶斯分类器的原理，提出一种基于类支持度的优化增量贝叶斯分类器学习算法。在增量学习过程的样本选择问题上，算法引入一个类支持度因子λ，根据λ的大小逐次从测试样本集中选择样本加入分类器。实验表明，在训练数据集较小的情况下，该算法比原增量贝叶斯分类算法具有更高的精度，能大幅度减少增量学习样本优选的计算时间。