结构化EM算法在小样本贝叶斯网络学习中的应用

在贝叶斯网络学习中,合理数据集的存在可以大大降低贝叶斯网络学习对知识工程的过多依赖.但当数据集中样本数量不够大时,可能没有足够多的样本甚至不存在样本来代表变量间的某些条件独立关系,从而无法学习贝叶斯网络.将数据集修正与结构化-期望最大化算法相结合,得到一种有效的小样本上贝叶斯网络学习的方法,实验结果表明,该方法能够有效地进行小样本上贝叶斯网络学习.     

数据挖掘中SVM模型与贝叶斯模型的比较分析——基于电信客户的流失分析

对电信客户流失数据分别构建贝叶斯模型和SVM模型,进行电信客户流失的可能性预测.在实验过程中改变数据量和特征字段,借助clementine 12.0的可视化实验平台直观、有效地观察5种模型的预测结果,并对贝叶斯和SVM的5种模型进行比较,得出结论:在属性值较多的情况下,采用贝叶斯Markov-FS模型;在属性值较少且与预测结果高度相关的情况下,SVM中多项式核函数模型预测结果的正确率和稳定性都比较好.     

基于贝叶斯网络的学生成绩预测

以山东理工大学数学与统计学院统计学专业2015级学生的7门主干学科成绩作为数据样本,通过贝叶斯网络的结构学习直观地得到了7门学科之间的关联性;基于贝叶斯网络拓扑结构进行了网络的参数学习,得到了各学科成绩的条件概率;最后利用贝叶斯网络推理的联合树算法给出了学生的成绩预测,并用实例证明了贝叶斯网络成绩预测的可行性。     

基于贝叶斯网络的客户流失分析

随着电信市场竞争加剧,客户流失现象成为电信运营商关注的问题。文中基于数据挖掘手段,采用贝叶斯网络分类器,进行电信客户流失分析。在贝叶斯网络构造过程中,结合采用K2和MC-MC算法构建网络。根据贝叶斯网络的拓扑结构,筛选出客户流失相关的显著指标;由条件概率表确定客户的流失规则,进而确定高流失的客户群。考虑分类的误判损失函数,给出不同分类临界值下,贝叶斯网络模型的分类效果。与其它分类算法相比,比如决策树和人工神经网络,在客户流失率很低的情况下,该算法不需要进行“过量抽样”。     

基于改进聚类的电信客户流失预测分析

针对电信领域客户流失的问题,提出了改进聚类的客户流失预测模型。根据通信行业中实际客户流失数据的正负样本数量不平衡而且数据量特别大的特点,提出带有不同权重参数的改进聚类算法,并将其用于电信行业的客户流失预测模型中。通过实际电信客户数据集测试,与传统的预测算法比较,证明这种算法适合解决大数据集和不平衡数据,具有更高的精确度,能够取得较好的客户流失预测效果。     

模糊贝叶斯网在通信行业客户流失预测中的应用研究

文章针对移动通信公司客户的情况,为解决预测客户流失率时满意度模糊的问题,提出了通过使用语气算子、信息转换公式,使得模糊语言转化为精确概率,并将其整合到模糊贝叶斯网中,最终能够预测客户流失概率。实验证明,经过改进后的贝叶斯网,能够在一定程度上反映交流语言的模糊性,在信息模糊情况下能够较好地预测客户的流失情况。     

基于贝叶斯网络的实时行情预测算法

贝叶斯网络说明变量集合的联合条件概率分布为自然地表示因果信息提供了一种方法.用贝叶斯网络进行预测的核心问题是选择最符合样本数据的网络结构,即根据数据样本D和先验知识ζ找出后验概率户(Sh|D,ζ)最大的贝叶斯网络S.提出了一种基于贝叶斯网络的实时行情预测算法,并对其数据结构与实现方法进行了阐述.     

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。     

大学课程贝叶斯网络模型研究

提出一种大学课程关系的贝叶斯网络构造方法,以学生课程考试成绩作为数据样本,以基于信息论的结构学习算法构造无向图,最后以课程开设的先后顺序给边定向,得到课程依赖关系的贝叶斯网络,并以数理统计的方法学习其条件概率表。该模型直观的反映了课程间的依赖联系,而条件概率表则量化了联系的紧密程度,对大学课程的设置和编排具有指导作用,对学生成绩具有预测能力。     

基于数据挖掘的移动客户流失量预测模型

为了解决移动客户流失量建模与预测中的一些难题,结合移动客户流失量的变化特点,提出一种基于数据挖掘的移动客户流失量预测算法.首先收集移动客户流失量的历史样本,并通过预处理消除一些无用样本,然后根据贝叶斯决策树算法对移动客户类型进行分类,最后针对具体的移动客户预测流失量.结果表明,该算法建模速度优于其他移动客户流失量预测模型,可以获得更优的移动客户流失量预测结果.     

基于贝叶斯网络的大学生共享单车出行行为研究

为研究大学生共享单车出行行为,以福州市大学城各高校学生为研究对象,利用问卷调查采集各年级学生共享单车出行数据.首先,基于所获得的数据计算各节点的互信息值,假设贝叶斯网络参数服从Dirichlet分布,采用K2算法进行贝叶斯网络结构学习,利用贝叶斯估计法进行贝叶斯网络的参数学习,从而构建大学生共享单车出行行为的贝叶斯网络.然后,利用所构建的网络进行共享单车出行方式预测,计算该模型的预测值与实际值的误差,分析模型的精度,且与常用的Logit模型预测结果进行比较.最后,在所构建的网络模型基础上,应用联合树引擎分析是否拥有私人交通工具、出行距离等影响因素对大学生共享单车出行行为的影响.分析结果表明,贝叶斯网络学习精度较高,比Logit模型预测结果更有效.     

基于数据扩展的动态贝叶斯网络预测方法

将数据扩展方法应用于动态贝叶斯网络的参数学习中,利用随机抽样算法对小样本数据进行数据扩展,并采用贝叶斯后验概率公式对扩展数据进行修正,同时计算观测数据的后验概率,然后在扩展数据的基础上,完成动态贝叶斯网络的学习和推理.仿真实验表明这种方法可以降低预测模型中节点的联合效应所造成的误差积累,提高模型的预测精度.     

结合K-means的分类方法在电信客户流失中的应用

通过对电信业客户流失预测的国内外研究成果的分析,我们发现造成电信业客户流失原因种类比较多、难以用一种通用的划分标准对流失客户的流失特征进行刻画,因此本文提出了将K-means算法与传统的分类算法相结合的方法进行客户流失分析,并进行了应用实验.该实验以中国联通湖南某地区X分公司的客户数据为基础,利用数据挖掘软件Clementine8.1建立了客户流失分类预测模型,模型的应用结果表明:新方法对客户流失预测的命中率高于传统的分类预测算法.     

快速路交通事件持续时间预测模型研究

针对城市快速路交通事件持续时间影响因素的复杂性和不确定性,结合贝叶斯网络和非参数回归方法,提出了一种新的快速路交通事件持续时间预测模型.采用上海市快速路监控中心数据,经过降噪处理,生成样本数据;在分析样本数据特征基础上,确定了贝叶斯网络的结构学习方法与参数学习方法;对贝叶斯网络模型的结果用非参数回归算法生成持续时间预测值.最后,对模型预测精度进行了验证,发现模型预测效果较好.     

基于粗集与贝叶斯分类的电信网络质量预测

在小样本的情况下，仅利用数理统计方法进行预测是不太适合的。在此先应用粗糙集的相关知识来确定影响电信网络质量的主要因素，然后运用贝叶斯理论将统计推断建立在后验分布的基础上，并给出了小样本试验数据的电信网络质量的预测。     

贝叶斯正则化神经网络预测金属热力学性质的研究

采用贝叶斯正则化神经网络(BRNN)对67种金属升华热Ls和升华熵△Ss进行了预测．对网络结构、训练集、预测集以及学习次数进行了优化，并用独立预测样本对贝叶斯正则化神经网络作了检验．预测结果表明，在推广能力方面，贝叶斯正则化神经网络优于熟知的反向传播(BP)神经网络和多元线性回归方法(MLR)．它可望成为元素和化合物构效关系研究的辅助手段．     

面向电信的客户流失预测模型研究

针对现有客户流失预测模型预测准确率低下的问题,本文结合基于统计学习的客户聚类分析和分类预测技术来构建客户流失预测模型。根据模型计算结果,可以辨别出客户类别及流失倾向,并在此基础上提出了预防客户流失的保持措施,从而为电信企业运营商的客户关系管理提供决策依据。     

基于贝叶斯网络的作战效能分析方法

天基信息系统的作战效能评估已经成为军事领域的研究热点。提出一种基于贝叶斯网络的天基信息系统作战效能分析方法。首先通过仿真平台获取仿真数据,然后采用基于搜索的贝叶斯网络结构学习算法和期望最大化(expectation-maximum, EM)参数学习算法学习数据样本,构建贝叶斯网络模型,最后从贝叶斯网络的节点敏感性分析出发,从载荷层、能力层两个方面分析了天基信息系统的可见光侦察卫星、合成孔径雷达(synthetic aperture radar, SAR)成像侦察卫星以及电子侦察卫星对作战效能的影响。同时,仿真验证了该方法应用在天基信息系统作战效能评估的有效性和可行性,能够为武器装备体系效能评估提供坚实的技术支撑。     

生存分析在电信增值服务行业客户流失分析中的应用

利用生存分析对一家电信增值业务提供商的客户流失数据进行了实证研究,提出了一个预测客户流失概率的模型.利用该模型能及时准确地掌握客户流失情况,以此可以提高企业决策的针对性,降低客户流失率.     

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。