摘要：传统分类算法的研究主要关注批量学习任务。实际中，带标注样本很难一次性获得。且存储空间开销较大的特点，也使批量学习显现出一定的局限性。因此，需要增量学习来解决该问题。朴素贝叶斯分类器简单、高效、鲁棒性强，且贝叶斯估计理论为其应用于增量任务提供了基础。但现有的增量贝叶斯模型没有对适应新类别作出描述。同时，实验表明类别之间样本数量的不平衡，会严重影响该模型的分类性能。故基于这两个问题，提出对增量贝叶斯模型的改进，增加参数修正公式，使其可适应新出现的类别，并引入最小风险决策思想减轻数据不平衡造成的影响。取UCI数据集进行仿真测试，结果表明改进后的模型可以渐进提高分类性能，并具有适应新类别的能力。

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）