基于多模型混合的贝叶斯网络结构的研究与改进

《基于多模型混合的贝叶斯网络结构的研究与改进》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP391单位代码：10183研究生学号：2013532060密级：公开吉林大学硕士学位论文（学术学位）基于多模型混合的贝叶斯网络结构的研究与改进TheresearchandimprovementofBayesiannetworkstructurebasedonthehybridmodels作者姓名：于龙江专业：计算机软件与理论研究方向：数据挖掘与智能网络指导教师：王利民教授培养单位：计算机科学与技术学院2016年5月基于多模型混合的贝叶斯网络结构的研究与改进TheresearchandimprovementofBayesiannetworkstruct

2、urebasedonthehybridmodels作者姓名：于龙江专业名称：计算机软件与理论指导教师：王利民教授学位类别：工学硕士答辩日期：2016年5月24日未经本论文作者的书面授权，依法收存和保管本论文书面版本、电子版本的任何单位和个人，均不得对本论文的全部或部分内容进行任何形式的复制、、修改、发行、出租改编等有碍作者著作权的商业性使用（但纯学术性使用不在此限）。否则，应承担侵权的法律责任。吉林大学硕±学位论文原创性声明，本人郑重声明：所呈交的硕壬学位论文，是本人在指导教师的指导下独立进行研巧工作所取得的成果。除文中己经注明引用的

3、内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中Ｗ明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：寺＾日期：２０１６年ｙ月日Ｙ摘要摘要基于多模型混合的贝叶斯网络结构的研究与改进一直以来，分类问题是数据挖掘和机器学习两个领域中的所共有的重要的研究领域，很多学者在分类问题上投入了大量的精力，解决分类问题意义重大，因为这类问题在我们的工作和生活中非常熟悉。基于贝叶斯网络的分类方法成为解决这类问题的最好方法之一，像垃圾邮件过滤（SpamDetection）

4、、产品推荐（ProductRecommendation）、文本分类（TextCategorization）等分类问题，贝叶斯分类器都可以轻松应对这类问题。贝叶斯分类器以概率论和信息论为基础，它能够很好的处理缺失数据，而且有很高的分类精度。贝叶斯分类器中最为学者所熟悉的就是朴素贝叶斯分类器，结构简单的朴素贝叶斯分类器，虽然是以忽略数据属性之间的依赖关系的事实为假设，但在一些情况下，其分类精度仍然超越其他成熟的算法，尽管如此，并且朴素贝爷斯分类器得到人们的重视，朴素贝叶斯分类器已经应用到很多领域中用以解决分类问题，而且分类效果不错，但是随着应用的范围越来越广，这种忽

5、略属性间的依赖关系的分类器还是在分类效果上的表现不是很好，不能解决很多数据分类问题。为了弥补朴素贝叶斯分类器由于过多的依赖数值型属性之间相互独立的假设而带来的不足问题，目前提出了很多改进的算法，这些改进的算法主要可以归为三类，属性选择、结构扩展、局部学习。除了上述三种方法外，还有数据集实例加权、属性加权、多模型组合学习等方法。其中多模型组合学习方法目前的研究成果较少，本文正是通过对一些已经成熟的贝叶斯分类算法进行分析、研究、整合，提出一个全新的分类算法。本文提出了一种改进的贝叶斯网络分类器，称为“隐藏-平均一依赖分类器”，简称H-AODE。H-AODE算法是基于

6、AODE和HNB两种分类器，它首先为每个属性结点都学习一个树扩展的朴素贝叶斯分类器，然后构造一个虚拟的结点，这个结点综合了所有其他属性对于该属性节点的影响，最后对这些树扩展的朴素贝叶斯分类器进行平均。为了验证H-AODE算法分类效果，对算法进行了大量的实验，采用了UCI数据库中40多个有代表性的数据集进行了实验，同时也对AODE、HNB、KDB、TAN、NB等成熟的分类算法进行实验，最后进行了实验结果的对比分析。关键词：贝叶斯网络，组合学习，朴素贝叶斯，条件独立IAbstractAbstractTheresearchandimprovementofBayesia

7、nnetworkstructurebasedonhybridmodelsTheclassificationproblemisanimportantresearchfieldindatamining,andthiskindofproblemisverycommonandordinary.Foralongtime,theclaasificationmethedbasedonBayesiannetworkbecomesoneofthebestwaytosolvesuchproblems,suchasSpamDetection,ProductRecommendation

8、,TextCategor