分类(Classification)是数据挖掘和机器学习中最重要的问题之一。因为贝叶斯(Bayesian)算法具有坚实的数学理论基础,所以它有着很好的分类效果,并且一直是分类算法中的重要算法。但是在数据挖掘和机器学习的实际应用中,对数据仅有一个准确的分类是远远不够的。一个准确的排列(Ranking)算法在实际应用中往往是需要的,并且其重要性甚至超过了一个准确的分类算法。因此,将贝叶斯方法应用于Ranking的研究是一项有趣的工作,并且具有十分重要的意义。本文在Weka试验平台的基础上搭建了用于Ranking实验的实验平台。在这个平台上实现了朴素贝叶斯(NB),树扩张贝叶斯(TAN),贝叶斯树(NBTree),隐藏贝叶斯(HNB)和AODE分类算法。通过对这些分类器的Ranking效果的比较我们发现,由于没有充分考虑非类属性相对于类属性之间的重要程度,AODE分类器在某些数据集合上Ranking的效果不太理想。WAODE算法通过增加权值的办法,克服了AODE分类算法的缺陷,改善了AODE算法的分类效果。于是本文尝试将WAODE分类算法应用于Ranking。在Ranking实验平台的基础上,本文对上述六种算法进行了试验。试验结果表明,在35个UCI标准数据集合上,WAODE算法(AODE的拓展分类算法)在Ranking上的效果确实要优于AODE算法,尤其是在大数据集合的情况下,这种优势更加明显。并且WAODE分类算法在实验中的表现是上述六种分类算法中最好的。