Pairwise local Fisher and naive Bayes: Improving two standard discriminants
成对局部 Fisher 与朴素贝叶斯：改进两种标准判别方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用统计分类器，未涉及给定分类中的离散选择行为模型或其他明确领域方向。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
成对局部 Fisher 与朴素贝叶斯：改进两种标准判别方法
- 研究问题
- 如何在 Fisher 判别和朴素贝叶斯中引入变量两两依赖，以改进连续、离散及混合类型数据的分类表现？
- 方法与思路
- 作者对连续数据使用局部高斯版本的 Fisher 判别，对离散数据取成对联合概率的几何平均，并说明两类方法如何结合处理混合数据。
- 材料陈述的贡献
- 摘要提出两种标准判别方法的成对依赖扩展，并称在多组模拟实验和真实数据示例中取得有希望的分类结果。
- 阅读关注点
- 应核对局部高斯拟合与成对概率的估计、调节参数和混合数据组合方式，以及分类误差比较是否采用适当的样本外评价。
- 阅读边界
- 解读限于所给出版社摘要；摘要未报告理论保证、具体数据或分类误差改善幅度，也未说明高维条件下的计算和估计限制。
原文摘要
The Fisher discriminant is probably the best known likelihood discriminant for continuous data. Another benchmark discriminant is the naive Bayes, which is based on marginals only. In this paper we extend both discriminants by modeling dependence between pairs of variables. In the continuous case this is done by local Gaussian versions of the Fisher discriminant. In the discrete case the naive Bayes is extended by taking geometric averages of pairwise joint probabilities. We also indicate how the two approaches can be combined for mixed continuous and discrete data. The new discriminants show promising results in a number of simulation experiments and real data illustrations.