离散属性贝叶斯网络分类器的研究

发布时间：2021-05-06 06:40

　　贝叶斯网络是对不确定性建模的工具,它将随机变量的相互关系用图模式表示出来,是概率理论和图模型的结合.目前分类学习是机器学习和大数据挖掘研究的重点问题之一,这些理论和技术已经在多领域得到了广泛应用.贝叶斯分类器是一种分类模型,可以高效地对大数据信息依照属性变量之间的依赖关系作较为精确的分类预测.根据属性变量的性质可以将分类器分为:离散属性贝叶斯分类器、连续属性贝叶斯分类器、混合属性贝叶斯分类器等,本文研究的是离散属性贝叶斯分类器.为了提高分类器的精度根据属性变量的依赖关系,学者们提出了众多分类器的构造方法和理论,如:朴素贝叶斯分类器、TAV贝叶斯分类器、隐朴素贝叶斯分类器、完全贝叶斯分类器等.其中朴素贝叶斯分类器是所有分类器中最为基础的一个,它成立的前提是假设属性变量是条件独立的,这使得属性变量之间的依赖信息无法得到利用,而这部分往往也会蕴含着较重要的分类信息.为了提高朴素贝叶斯分类器的精度,1996年Friedman等人提出了一种新型的分类器一一TAN分类器,放松了属性变量间独立性的假设,允许除了类变量外还可以有一个属性变量作为其属性父节点,这使得TAN分类器可以部分依赖属性变量的信息... 

【文章来源】：山东师范大学山东省

【文章页数】：44 页

【学位级别】：硕士

【文章目录】：
中文摘要
英文摘要
第一章 引言
第二章 贝叶斯网络分类器的基本理论
    §2.1 概率论基础
    §2.2 贝叶斯网络分类器基础
    §2.3 参数的学习
    §2.4 相关分类器的介绍
第三章 基于权重优化的朴素贝叶斯分类器
    §3.1 贝叶斯相关定理及特征加权
    §3.2 算法描述
    §3.3 实验及结果分析
第四章 一种新型朴素贝叶斯分类器的学习方法
    §4.1 TAN模型的DTAN构造方法
    §4.2 隐朴素贝叶斯分类器的构建
第五章 总结与展望
参考文献
致谢


【参考文献】：
期刊论文
[1]层次朴素贝叶斯分类器构造算法及应用研究[J]. 范敏,石为人.  仪器仪表学报. 2010(04)
[2]基于局部解释能力的贝叶斯网络隐藏变量学习[J]. 王双成,冷翠平,刘凤霞.  小型微型计算机系统. 2009(09)
[3]一种自适应模型构造的层次决策图贝叶斯优化算法[J]. 姚金涛,杨波,孔宇彦.  小型微型计算机系统. 2009(08)



本文编号：3171440