最大相关最小冗余限定性贝叶斯网络分类器学习算法

朴素贝叶斯分类器 (naive bayes) 是一种简单而有效的基于贝叶斯思想的分类方法,但它的属性条件独立性假设并不符合实际,影响了它的分类性能。BAN (bayesian network augmented naive bayes) 分类器扩展了朴素贝叶斯分类器,使其表示属性之间依赖关系的能力增强,但是其学习算法需要大量的高维计算,在小采样数据集上,影响BAN分类器的分类性能。基于改进的最大相关最小冗余特征选择技术,提出限定性贝叶斯网络分类器学习算法 (k-BAN)。本算法使用改进的最大相关最小冗余特征选择技术,通过选择属性结点的连接关系集合建立属性之间的依赖性关系。将该分类方法与NB,TAN和BAN分类器进行实验比较。实验结果表明,在小采样数据集上,本算法获得的限定性贝叶斯网络分类器具有更高的分类准确性。     

基于属性相关的朴素贝叶斯分类算法

朴素贝叶斯分类器是一种简单、高效的分类算法,它以贝叶斯定理和最大后验假设为理论基础,然而朴素贝叶斯分类器属性之间相互独立的假设,影响了朴素贝叶斯分类器的性能.提出先使用基于相关的属性选择算法进行属性选择,然后在选择的属性集上,用朴素贝叶斯分类器对数据集进行分类.实验证明,与未使用属性选择的实验结果相比,使用基于相关的属性选择算法进行属性选择后,朴素贝叶斯分类器平均分类正确率提高,分类效率显著提升.     

基于一类SVM的贝叶斯分类算法

提出一种基于一类支持向量机(one-class SVM)的贝叶斯分类算法,该算法用一类SVM对类条件概率密度进行估计以构造贝叶斯分类器. 证明采用高斯核的一类SVM,其解可以归一化为密度函数,并把该密度函数看作类条件概率密度的平滑估计,构造贝叶斯分类器. 实际数据集上的实验结果表明,提出的分类算法测试准确率高于简单贝叶斯分类器与贝叶斯网络分类器,不低于传统二类SVM;比传统二类SVM需要计算的核矩阵规模更小,训练时间更短.     

基于互信息的多关系朴素贝叶斯分类器

为进一步提高多关系朴素贝叶斯方法的分类准确率,分析了已有的剪枝方法,并扩展互信息标准到多关系情况下.基于元组号传播方法和面向元组的统计计数方法,给出了基于扩展互信息标准进行属性选择的方法和步骤,并建立了一种基于扩展互信息的多关系朴素贝叶斯分类器.标准数据集上的实验显示,基于扩展互信息标准进行属性选择,可以在不增加算法时间复杂度的前提下,找到与分类属性最相关的属性,并在仅有极少属性参与分类时,得到较高的分类准确率.Mutagenesis数据集上的实验则显示,这种属性选择可以使多关系问题退化为单关系问题,大大降低了分类代价.     

基于选择性的贝叶斯分类器集成方法

提出一种基于选择性的贝叶斯分类器集成方法．该方法为避免数据预处理时的属性约简对分类效果的直接影响，在训练集上通过随机属性选取生成若干属性子集，并以这些子集训练不同的贝叶斯分类器，进而采用遗传算法优选贝叶斯分类器集成，其适应度函数综合了分类器的精度和差异度两项指标．实验中，将该方法与已有方法在UCI的标准数据集上进行了性能比较，并将该方法用于C^3I系统中的威胁度估计。     

四种贝叶斯分类器及其比较

首先介绍了贝叶斯网络及贝叶斯网络分类器,并对四种典型贝叶斯分类器的特点进行了介绍与分析.在总结各种贝叶斯分类器特点的基础上,通过选取的UCI数据库中的10个数据集对其分类效果进行了实验比较,并根据实验结果讨论各自的特点,从而得出针对具有不同特点数据集选取适当分类器的方法.     

基于云模型理论改进的贝叶斯分类算法

基于云模型理论对朴素贝叶斯分类器进行了改进,使得分类器能够处理语言中的一些模糊值,扩展了朴素贝叶斯分类器的应用范围.使用UCI鸢尾花数据集对算法进行了实验仿真和结果分析.结果表明,改进后的分类算法在一定程度上提高了分类精度.     

TAN分类器及其应用

主要介绍了贝叶斯网络分类器中的TAN分类器的模型、构造方法及分类方法.通过对参加2006年6月大学英语四级考试同学的学习情况及考试成绩的问卷调查获得数据,采用Hold-out检测方法,即取出其中2/3的数据集作为训练集,另外1/3数据集作为测试集,构造TAN分类器,检验分类器的分类效果.并通过与朴素贝叶斯分类器分类效果的对比实验,证明TAN分类器是分类效果较好的分类器.     

基于时序互信息构建基因调控网络

为构建基因调控网络,提出了一个基于时序互信息学习动态贝叶斯网络结构的学习算法.在计算基因间的时序互信息时,该算法考虑了时间序列微阵列数据的时间特性,并利用协方差矩阵计算互信息,没有将基因表达数据离散化,与基因表达数据的连续性相符合.在酵母菌周期细胞的实验数据上测试该算法,灵敏度为66.7%;该算法构建的基因调控网络与KEGG数据库中的网络相比较,发现了Cdc28与Cdc20、Chk1与Rad9的调控关系,这些调控关系在相应的生物学实验中得到验证.     

基于半定性贝叶斯网络的建模方法研究

在定性贝叶斯网络的基础上,提出一种既包含定性符号信息,又包含概率分布定量信息的半定性贝叶斯网络,用以集成多个专家的知识和经验,通过一个与专家反复交互的过程,构建出相关问题领域的稳定的贝叶斯网络模型。提出利用区间数来统一表达多个专家的定性或定量的判断意见,给出了在半定性贝叶斯网络中进行概率推理的区间数传播算法,并通过算例验证其有效性。     

用于预测的贝叶斯网络

通过示例给出了贝叶斯网络的构造方法，概括了贝叶斯网络的特点及贝叶斯网络学习的内容与过程，同时给出了离散型贝叶斯网络的预测公式。贝叶斯网络学习主要有三个基本环节，其一是确定变量集和变量域；其二是确定贝叶斯网络结构；其三是确定局部概率分布。贝叶斯网络是描述变量之间定性与定量依赖关系的图形模式，是进行数据联合分析与预测的有力工具。     

基于Bayesian的二叉树期权定价模型

衍生证券中期权的合理定价是困扰着投资者的一个难题,在用二叉树模型进行定价时,模型中波动率的周期间隔是很难确定的,但又是必须面对的问题,相关公司都有自己独到的确定时期间隔的方法.一般对前期的信息和类似股票或相关证券的信息被忽略,这样的处理使我们不能充分利用相关的信息从而不能更加准确的对期权进行定价.利用Bayesian理论和二叉树模型,综合先验信息和人们对期权的已有知识,对期权进行了定价.探讨了基于Bayesian的Binary-tree期权定价模型,使股票的收益率服从正态分布.     

正态均值的Bayes估计

本文在已知正态分布N(θ,σ~2)的方差α~2以及均值θ的下限θ_L和上限θ_U的条件下,针对均值θ的点估计问题,给出一种构造先验分布的方法,由此所求得的Bayes的估计在Bayes准则下优于通常经典统计中的估计x。     

贝叶斯诊断网络平台的开发与实现

针对贝叶斯诊断网络在实际应用时需要对具体对象建立相应诊断网络的问题,开发了一个贝叶斯诊断网络平台.重点讨论了网络的数字化、网络拓扑顺序的确定和赌轮选择等平台实现的3个关键问题.采用数字形式来描述网络的拓扑模型,刻画了网络的全部信息.节点间的关系则用关系矩阵简洁、直观地予以表达,并据此确定网络的拓扑顺序.利用赌轮的选择功能,实现了网络节点状态的实例化.该平台简单易用,为网络的建立和推理提供了一个有效、便利、通用的运行环境.利用该平台为天津石化炼油厂的一台烟机建立了贝叶斯诊断网络,实例表明,该平台能够用于贝叶斯诊断网络的构建和推理,也为贝叶斯诊断网络的工程应用提供了一个有力的工具.     

一类新的损失函数下负二项分布模型的Bayes可靠性分析

在一类新的加权平方损失函数下,给出了负二项分布可靠度的Bayes和多层Bayes估计,并利用E Bayes方法给出了负二项分布可靠度的E Bayes估计.针对得到的3种估计,给出了数值模拟,结果表明:E Bayes估计比多层Bayes估计优良.     

音频贝叶斯谐波模型中参数的提取

由于音乐信号具有暂态特性、夹杂噪声、且它的基频在频域上具有复杂的结构,因此分析音乐信号是一项复杂的工作.本文在分析音乐信号时引入了音频贝叶斯谐波模型,并在此基础上提出了一个基于贝叶斯谐波模型的简化模型,然后采用可逆跳转蒙特卡罗(RJMCMC)采样算法对此模型中基频参数和谐波幅度进行了估计,仿真结果表明该算法取得了较好的效果.     

基于语义理解的Bayesian-Boosting情感分类

提出将语义理解与统计学方法相结合的机器学习算法来进行文本情感分类。首先提取文本中的情感词汇作为特征,利用统计学方法得到特征的初始权重,然后通过分析文本语义结构修改特征权重,最后利用Bayesian算法和以Bayesian作为基本分类算法的Boosting算法进行分类。实验表明,基于语义理解的Bayesian分类算法的分类准确率高于仅基于统计学的Bayesian分类算法,基于语义理解的Bayesian-Boosting算法的分类准确率最高,达到了90%。     

贝叶斯网络中的贝叶斯学习

从机器学习的角度研究贝叶斯方法及其学习机制,着重讨论了具有完整数据、不完整数据集,及在结构不确定时贝叶斯网络进行学习的方法,表明贝叶斯网络在数据采掘中是一个有力的工具,文后给出一个基于贝叶斯网络的学习的实例。     

一种对称损失函数下几何分布参数的Bayes估计

研究在一种对称损失函数下,几何分布参数的Bayes估计、多层Bayes估计,并讨论Bayes估计的可容许性及置信下限.