《表3 降维后的样本数据集》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《朴素贝叶斯算法在反恐情报分类中的应用研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

经典的朴素贝叶斯分类器可以对连续属性进行精确的计算，但在本样本中，对于“年龄”一栏属性来说，较小的年龄差异对涉恐等级的判定影响并不大。对此，我们采取离散化的方法，将连续的年龄划分为几个离散区间。在本方法中，以20岁、60岁为离散点，划分为青少年（0，20]、中壮年(20，60]、老年(60岁以上）3个区间。在实际应用中，还可以通过调整区间分段来优化算法结构。另外，为提高分类准确度，可根据常识和反恐经验过滤掉过大或过小年龄段，例如，6岁以下的儿童和80岁以上的老人几乎不会单独实施暴力恐怖活动，这部分人可以过滤掉。再例如，涉恐人员的姓名并不是涉恐等级的相关属性，人员的“性别”属性与“特殊外貌”属性并不是相互独立的特征，而是存在一定的关联性。在进行预处理时，也可以考虑将上述属性过滤掉。一般情况下，蒙面的、穿“吉里巴甫”服的多为女性[16]。进行特征降维后的样本数据集如表3所示。