基于贝叶斯网络的分类器研究_周颜军.pdfVIP

35 2 Vol.35No.2 2003 6 JOURNAL OF NORTHEAST NORMAL UNIVERSITY June 2003 [] 10002 1832(2003)022 00212 07 基于贝叶斯网络的分类器研究 1 2 1 周颜军, 王双成 , 王 辉 (11 , 130024; 21 , 130025) [ ] 研究了贝叶斯分类器家族中具有代表性的分类器, 即朴素(naive)贝 叶斯分类器、贝叶斯网络分类器和TAN(tree aug ented naive Bayesian) 分类器; 现属性变量之间的依赖相对于属性变量与类变量之间的依赖是可以忽略的, 因此在所有树形分类器中TAN 分类器是最优的. [] 贝叶斯网络; 分类器; 归纳学习 [] TP 311113411 [] A 1 分类有规则分类(查询)和非规则分类(有指导学习). 贝叶斯分类是非规则分类,它通 过训练集( 已分类的例子集)训练(学习)而归纳出分类器(被预测变量是离散的称为分类, 连续的称为回归),并利用分类器对没有分类的数据进行分类. 本文研究贝叶斯分类器家 [1] [2] 族中有代表性的分类器, 即朴素(naive) 贝叶斯分类器 、贝叶斯网络分类器 和TAN [3,4] (tree aug ented naive Bayesian)分类器 . 贝叶斯分类具有如下特点: (1)贝叶斯分类并不把一个对象绝对地指派给某一类, 而是通过计算得出属于某一类 的概率,具有最大概率的类便是该对象所属的类; (2)一般情况下在贝叶斯分类中所有的属性都潜在地起作用, 即并不是一个或几个属 性决定分类,而是所有的属性都参与分类; (3)贝叶斯分类对象的属性可以是离散的、连续的,也可以是混合的. 根据给定的训练集归纳出分类器是数据采掘的一项重要而基本的任务,在众多的分 类器中(决策树、决策图、神经网络和粗糙集分类器等),朴素贝叶斯分类器以简单的结构 和良好的性能受到人们的关注,它是最优秀的分类器之一. 在理论上它在满足其限定条件 下是最优的,针对其较强的限定条件,可以尝试着减弱它以扩大最优范围,从而产生更好 的分类器. [] 20032 032 14 [] 科学技术部国家软科学研究项目(Z99015) [] 周颜军( 1956- ), 男, 副教授, 主要从事数据采掘理论的研究与 用. 22 35 2 设有属性变量X ,X , , ,X ,它们即可以是离散的也可以是连续的变量, C 是类变 1 2 n 量, D 是例子集. 由贝叶斯公式可知: P(C)P(X , , ,X | C) 1 n P(C|X , , ,X )=