离散属性贝叶斯网络分类器的研究

摘要

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宄的重点问题之一，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，本文研宄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、TAN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Fnedman等人提出了一种新型的分类器一-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.当属性变量之间依赖关系复杂又提出了隐朴素贝叶斯分类器、K依赖分类器、半朴素贝叶斯分类器等.此外除了改变贝叶斯图模型外我们也可以通过改变属性变量的权重来提高分类器的精度，根据属性变量对分类的影响不同，又提出了基于互信息的加权朴素贝叶斯分类方法. 本文做出了两种改进:1.在朴素贝叶斯分类器中通过改变权重的定义和幂次方来提高分类器的精度;2.根据属性变量之间依赖性强弱不同，对隐朴素贝叶斯分类器做模型简化.

目录

第一个书签之前