樹擴展型樸素貝葉斯（TAN）分類器放鬆了樸素貝葉斯的屬***假設，是對樸素貝葉斯分類器的有效改進。
一種基於貝葉斯分類與機讀詞典的多義詞排歧方法
與兩種基於免疫原理的文字分類方法和傳統的貝葉斯分類器進行了比較研究。
樸素貝葉斯分類是一種簡單而高效的分類模型，然而條件**假設在現實中很少出現，致使其*能有所下降。
它主要有兩種分類方法：一種爲樸素貝葉斯分類，另一種爲貝葉斯信念網絡分類。
樸素貝葉斯分類器是一種簡單而高效的分類器，基於樸素貝葉斯技術的分類是當前數據挖掘領域的一個研究熱點。
對樸素貝葉斯分類算法進行拓展，使其應用到多關係數據分類領域，並引入了用戶指導的概念。
文中針對該算法這兩個最主要的缺陷，提出增量學習概念，引入損失幅度參數，改進和完善樸素貝葉斯分類算法。
基於效率考慮，利用樸素貝葉斯分類算法減小搜尋空間。
本文利用改進的K-均值算法對缺失數據進行處理，提高了樸素貝葉斯分類的精確度。
在垃圾郵件分類和樸素貝葉斯算法研究的基礎上，提出了基於用戶知識的貝葉斯分類算法。
爲了解決該方法存在的訓練數據集問題，本文改進了現有的貝葉斯分類算法，提出了利用未標記數據提高貝葉斯分類器*能的方法。
介紹了幾種常用的分類方法的分類原理。包括貝葉斯分類器、決策樹和人工神經網絡。
然後利用圖模型來對子筆畫和模糊區域進行建模，同時透過構造貝葉斯分類器來分析子筆畫對的連續*，並透過路徑搜尋來得到子筆畫序列；
圍繞着分類挖掘中的隱私保護問題展開研究，給出了一種基於數據處理和特徵重構的樸素貝葉斯分類中的隱私保護方法。
將聚類算法引入到樸素貝葉斯分類研究中，提出一種基於聚類的樸素貝葉斯分類算法(CNBC)。
本文采用貝葉斯分類器，提取問句主幹以及包含疑問詞的分支作爲特徵進行問題分類。
對數據挖掘中的貝葉斯分類技術進行了討論，重點分析了樸素貝葉斯分類技術的基本原理和工作過程。
