【摘要】朴素贝叶斯分类(NBC)算法在计算连续属性值的类条件概率时,经常采用多个正态分布概率密度函数的叠加去拟合连续值属性变量的真实概率密度函数,从而相应的类条件概率计算也是以多个正态分布概率密度函数值的加和来完成的。文章以上述思想为基础,提出了一种定邻域概率朴素贝叶斯分类算法FNNBC,将定积分的概念扩展到每一个正态分布概率密度函数中,即使用积分值的加和,也就是定邻域概率的加和表示类条件概率。在实验部分,我们分别在人工数据集和UCI标准数据集上对FNNBC算法进行了验证,最终的实验结果表明,在人工数据集及大多数UCI标准数据集上,在时间复杂度没有显著增加的前提下,FNNBC算法比现有的处理连续值属性...