分类是数据挖掘领域的一项重要任务,由于其广泛应用而得到人们的普遍关注,当前的分类模型,根据其建模机制的不同可以分为两大类,产生式分类模型和判别式分类模型。产生式分类模型主要对类内的分布建模,判别式主要对类与类之间的分布建模。本文从分类准确率、建模时间和渐进效率等方面对产生式和判别式的分类性能进行了比较研究,通过实验得出结论:产生式分类方法受数据分布的影响较大,但建模时间短,速度快,适用于小型的数据集。判别式分类方法分类准确率较高,但建模时间长,速度慢。该结论与Ng等人的实验结论一致。基于产生式和判别式互补的性质,构造产生式和判别式的混合模型已成为当前的研究热点。基于混合模型的工作主要集中在监督学习和半监督学习领域,其中混合分类模型的研究主要集中在两个领域,一个是产生式和判别式之间的内在关系,另一个就是混合模型的构建。当前混合模型的构建主要有三种方法,即基于属性或数据分割的混合分类模型、产生式和判别式的模块化组合、产生式和判别式的互相学习。目前这些混合分类模型已取得较好的分类性能。基于产生式分类模型受数据分布影响较大的性质,本文提出一种新的基于属性分割的混合分类模型。通过对样本属性的测试,将属性集合分为两个子集,分别在两个子集上建立产生式和判别式分类模型,最后将两者合并。并将该模型应用到邮件分类中,实验证明该方法较好地拟合了产生式和判别式的分类方法,有效提高分类性能。