数据缺失下学习贝叶斯网研究.pdf

数据缺失下学习贝叶斯网的研究 摘 要 摘 要 本文对数据缺失和网络结构未知情况下学习贝叶斯网问题进行了相关研究，并 提出了几个有趣有效的解决方案。 首先，利用并行策略下的PACOB算法提供良好候选网络结构，并借此构造新的 算法学习到的贝叶斯网质量有质的提高。 其次，建立了一种行之有效的改进SEM算法(DSEM．PACOB算法)。该算法， 在估计结点变量缺失值时，不再像SEM算法一样，依赖于当前最优网络所有可能参 与决策的结点变量，而是从当前最优网络中采用合理策略选择与待估结点变量紧密 相关的若干结点变量集合直接参与估计。实验证明，DSEM—PACOB算法较之先前的 SEM类似算法，不仅在最终学习到的贝叶斯网的质量上有质的提高，而且在算法的 稳定性上也有较大改进。 络作为初始网络，并对初始网络在数据缺失情况下学习贝叶斯网整个过程中所扮演 的角色进行了实验性的探讨。充分实验数据显示，初始网络对整个算法的收敛速度有 很大影响，而且在训练数据集规模不充分和缺失率较高时，选择与训练数据集相关性 越高的初始网络，算法越能得到较好结果。 最后，提出了混合启发的思想，并具体建立了一种混合启发方法：DSEM- PACOB算法通过相应数据补全策略得到的两种统计因子联合起来作为其本身 PACOB和SGS．PACOB算法两者的优点，促使算法能够平稳地收敛到理想结果。相 对于只具有单一数据补全策略的算法，该算法不仅在度量数据拟合程度的L凹loss值 上保持稳定，而且在学习到的贝叶斯网络结构上也有所改进。 关键词：学习贝叶斯网；数据补全策略；PACOB算法；新决策网络；初始网络；混合 启发策略 作 者：廖学清 指导教师：吕强 数据缺失下学习贝叶斯网的研究 ABSTRACT Abstract Thisthesisisabout on networkwith studylearningBayesian missingvalues，and severalcreativeandefficientsolutions． thereby,presents SEM-PACOBandSGS—PACOB is basedonthe presented Firstly,new algorithm valuablenetworkstructurecandidatesfounda ACOB byparallel solution．Experi- mentsshow two makeattractive onthe of algorithms improvementsquality that，the thelearned networks． Bayesian DSEM—PACOB efficient basedonSEM Secondly,a algorithm．anapproach algo- usesrationaltacticstochooseseveralnodevari- rithm，isproposed．Thisalgorithm haveclosecorrelationswiththeestimatednode t