连续属性贝叶斯网络分类器的学习与研究

摘要

贝叶斯网络是一种根据概率推理的图形化网络数学模型，著名的贝叶斯公 式是该模型的基础，贝叶斯网络的主要思想是通过提取一些变量所包含的信息 从而获得其他变量的概率信息，正是贝叶斯网络这一特质使得贝叶斯网络可以解决有关于不定性和不完整性的问题.贝叶斯网络分类器就是利用该特质，并进行联合概率的边缘和条件分解构造贝叶斯网络用于数据的分类预测. 朴素贝叶斯分类器是一种最基础的贝叶斯网络分类器，该分类器的前提假 设使得其具有结构简单、计算高效和分类效果良好等特点.然而，这个很强的条件独立性假设前提也很大程度上影响了分类器的分类精度，当属性变量间存在依赖关系时，朴素贝叶斯分类器就无法将这种依赖信息考虑进去，而这部分信息 往往在分类时起着至关重要的作用.本文就是在此基础上，以连续属性作为研究对象，对朴素贝叶斯分类器进行扩展研究，以期达到提高分类器准确性的目的. 本文的主要工作内容如下： (1)介绍了连续属性朴素贝叶斯分类器的分类原理，并通过参数化方法和非参数化方法进行相关的参数估计，并详细介绍了几种经典的朴素贝叶斯分类器的依赖扩展，对隐朴素贝叶斯分类器提出了不同的权重定义方式. (2)介绍了 一种将朴素贝叶斯分类器与时间序列相结合而得到的动态朴素贝叶斯分类器，在此基础上进行依赖扩展，同时对每个时间片内的属性变量都引入一个隐藏父结点，提出了动态隐朴素贝叶斯分类器，并做出相应的改进. (3)对不同的分类器进行数值分类实验，通过分析实验结果从而得到不同分类器间分类效果的差异.

目录

第一个书签之前