3月22日论文Scaling Up the Accuracy of Naive-Bayes Classiers: a Decision-Tree Hybrid；决策树混合提高朴素贝叶斯分类模型准确度

 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.462.9093&rep=rep1&type=pdf

综述性论文，讲述基本概念，介绍使用实验来验证可以达成提高多大的提高。目前决策树已十分成熟，业内论文主要也针对新的应用场景，以及多模型融合。

 朴素贝叶斯算法在很多分类器项目上表现出惊异的准确性，即使在依赖的条件独立性假设条件被违反的情况下。但这主要是在一些数据量较小的项目上。在一些数据量很大的项目中，贝叶斯的表现不如决策树的准确率高。针对这个问题，我们提出了一种新的算法：NB树，混合了决策树分类器跟贝叶斯分类器。决策树包含单变量的节点分裂为常规决策树，叶节点包含贝叶斯分类器。这种方法在比两种原始方案表现更好的情况下（特别是在数据量较的情况下）保留了朴素贝叶斯与决策树的解释性。

简介

朴素贝叶斯算法对不相关特性具有很好的鲁棒性，缺点是要求做强独立假设，如果假设被违反，可实现的渐近线会很早靠近，准确性不会随着数据规模的增大增大。

决策树缺点在于基于递归划分的当前归纳方法存在着分割问题，每次分割完成后数据集越来越小，最后只能依赖很小的数据来做决定。

两者都有很好的分类可读性。

NB树结合了两者的优点，通过决策树分割数据后，代表一份数据片段的叶节点，被贝叶斯分类器适用。接下来在算法归纳中会显示条件独立假设会被满足。

NBTree：融合算法

输入:一组标记的实例。

输出:在叶节点上具有naive-bayes分类器的决策树。