简介:平均单一依赖估计算法(averagedone-dependenceestimators,AODE)是通过放松朴素贝叶斯算法的假设条件得到的一种更加高效的分类算法,但AODE算法将所有父属性对分类的贡献程度看成是一样的,这使得AODE算法的分类效果受到限制。针对这个问题,利用相关系数Tau-y和Lambda-y分别计算各个特征属性对分类的贡献程度,并用计算结果对父属性加权,得到了两个改进的AODE算法:T-AODE和L-AODE算法。然后,利用加利福尼亚大学的埃文斯(UniversityofCaliforniaIrvine,UCI)标准数据集在Eclipse上对这两个算法进行分类实验,结果显示两个改进的AODE算法的精确度要优于原始AODE算法。
简介:由于第三方支付平台交易者的效益问题存在着较多的不确定性,因此很少有定量化的研究成果。运用粗糙集理论,构建第三方支付平台交易的粗糙复杂网络,并对第三方支付平台效益进行研究,分别建立平台管理者效益提升的粗糙复杂网络信任模型、商家效益极大化的粗糙统计模型、顾客选择商品的粗糙决策模型;模型求解结果表明:平台管理者可以建立量化奖惩措施促进效益目标的实现;商家可以分析预测当广告费用为G0时的直接和间接销售量,从而得出是否做广告的决定;在价格适中且销售量适中、销售量高、商品价格低顾客评价适中且商家信用低、顾客评价高且商家信用高这四种情况下,顾客可以做出购买的决定。本研究在理论上不仅将粗糙集的理论用于不确定性复杂网络信任模型的研究,而且创立了基于时间序列分析的属性约简算法,从而解决了动态知识系统属性规则的提取问题。