因果特征选择与结构学习算法研究

发布时间：2021-08-18 09:30

　　在过去的三十年中,特征选择作为一种维数约减技术,一直是机器学习领域的研究热点之一。传统的特征选择算法由于仅基于特征与类属性之间相关性,可能导致预测分类模型缺乏可解释性、可操作性和鲁棒性。因果特征选择是发现类属性的贝叶斯网络（Bayesian network,BN）的子结构,即马尔科夫毯（Markov blanket,MB）,该MB由类属性的父母（直接原因）,孩子（直接结果）和配偶（直接结果的其他直接原因）组成,从而明确地推导出局部类属性和特征之间的因果关系。因此,因果特征选择作为一种新兴的特征选择方法,通过识别潜在因果特征以构建可解释、可操作且健壮的预测分类模型,已引起机器学习和因果发现领域的广泛关注。除了用作特征选择以进行分类之外,作为BN的子结构,因果特征选择在学习感兴趣变量的局部BN结构中起着至关重要的作用。同时,如果能够识别数据集中所有变量的MB,则这些MB可以用作约束条件以减少搜索空间,从而实现高效的局部到全局BN结构学习。本文以因果特征选择为核心,开展了分类和因果结构学习的相关研究,主要取得了如下创新性成果:（1）针对因果特征选择分类问题,同步类因果特征选择方法将当前选择的... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：92 页

【学位级别】：博士

【部分图文】：

本文主要研究内容

(2)我们使用七个基准贝叶斯网络和十个真实世界数据集进行了全面的实验,并将BAMB与十二种现有方法进行了比较,其中包括八种最先进的MB发现算法和其他四种经典的特征选择方法,以验证BAMB的效率和准确性。3.2 提出的BAMB算法

第3.2节的其余部分按如下方式组织。第3.2.1节详细介绍了BAMB。第3.2.2节给出了BAMB的跟踪示例。第3.2.3节和第3.2.4节分别分析了BAMB的正确性和计算复杂性。3.2.1 算法描述


本文编号：3349636