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。

Max-relevance min-redundancy restrictive BAN classifier learning algorithm