貝葉斯網絡分類器

 

貝葉斯網絡分類器：

在貝葉斯網絡中將其中代表類別變量的結點作爲根結點，其餘所有的變量結點都作爲該類別變量結點的子結點，則貝葉斯網絡就變成了貝葉斯網絡分類器。構造分類器需要根據給定訓練樣本數據集(訓練集)作爲輸入，通過對訓練集進行訓練，歸納出分類器，利用分類器對沒有分類的數據進行分類。

 

貝葉斯網絡分類器概述

貝葉斯分類器是基於貝葉斯學習方法的分類器。設有變量集U={A₁,A₂,...,A_n,C}，其中A₁,A₂,...,A_n是實例的n個屬性變量，實例可用向量xi=(a₁,a₂,…,a_n)表示，其中，a_i是A_i的值，令C是類變量，c表示C的值。應用貝葉斯定理，實例x_i屬於類c_j的概率爲：

 

 

其中， 是正則化因子，P(a₁,a₂,…,a_n)的倒數，爲常量，p(c_j)是類c_j的先驗概率，p(c_j|a₁,a₂,…,a_n)是類c_j的後驗概率。先驗概率獨立於訓練數據集，而後驗概率反映了樣本數據對類c_j的影響。貝葉斯分類模型參數學習的關鍵就是如何計算p(a_i|a₁,a₂,…,a_i-1,c_j)。目前，不同貝葉斯分類模型的區別就在於，它們以不同的方式來求p(a_i|a₁,a₂,…,a_i-1,c_j)。x_i被分到c類，即g(e)=argmax p(c|a₁,a₂,…,a_n)，稱g(e)爲貝葉斯分類器。

貝葉斯分類器同其他分類器相比具有如下特點：

(1)貝葉斯分類器並不把一個對象絕對地指派給某一類，而是通過計算得出屬於某一類的概率分佈；

(2)一般情況下在貝葉斯分類器中所有的屬性都潛在地起作用，即並不是一個或者幾個屬性決定分類，而是所有的屬性都參與分類；

(3)用於貝葉斯分類器分類的對象的屬性可以是離散的、連續的，也可以是混合的。

 

多模塊集成式貝葉斯網絡分類器

多模塊集成式貝葉斯網絡分類器是基於分治法的思想，將一個難以直接解決的大問題，分割成一些規模較小的問題，以便各個擊破，分而治之。該模型既具有結構簡單的優點。其思路將一個規模爲n的問題分解爲k個規模較小的子問題，最終使子問題縮小到很容易直接求出其解，而這些子問題互相獨立且與原問題等價。最後把各部分的解組合成整個問題的解。

 

貝葉斯網絡學習算法的準確性評價指標：預測準確度、計算複雜度和模型描述的簡潔度。

貝葉斯網絡分類器算法的準確性評價方法：利用似然概率評價網絡結構的準確性。