贝叶斯分类器是一种建立在贝叶斯统计学和贝叶斯网络基础上的分类工具,具有坚实的数学基础和清晰的模型解释等优点,是数据挖掘和机器学习中的研究热点.本文针对监督学习下的贝叶斯分类器展开研究,通过分析朴素贝叶斯分类器的优缺点,从以下三个方面给出了改进后的分类器:首先,本文针对原有增量学习模型中存在过度拟合以及未考虑新加入实例对原有训练集的影响的问题,提出了基于评分函数的增量学习算法.该方法中评分函数能有效处理过度拟合问题,而提出的网络评估式考虑了如何选择最优的增量实例.同时,本文将该算法运用到树扩展贝叶斯分类器中,扩大了适用范围.其次,在贝叶斯分类器中,合理选择属性变量可以大大提高分类性能.本文借鉴了BSEJ算法中属性联合的思想,运用属性间的条件互信息熵将具有相互依赖关系的属性进行合并.另外,不同属性对分类结果起到的作用不同,即应该拥有不同的权重.因此,本文提出了基于属性选择的加权朴素贝叶斯模型.最后,本文将集成技术运用到贝叶斯分类器模型中.首先将已有的K依赖贝叶斯分类模型改为不稳定算法,然后提出了基于Adaboost算法的K依赖贝叶斯分类算法.