贝叶斯网络分类器

 

贝叶斯网络分类器：

在贝叶斯网络中将其中代表类别变量的结点作为根结点，其余所有的变量结点都作为该类别变量结点的子结点，则贝叶斯网络就变成了贝叶斯网络分类器。构造分类器需要根据给定训练样本数据集(训练集)作为输入，通过对训练集进行训练，归纳出分类器，利用分类器对没有分类的数据进行分类。

 

贝叶斯网络分类器概述

贝叶斯分类器是基于贝叶斯学习方法的分类器。设有变量集U={A₁,A₂,...,A_n,C}，其中A₁,A₂,...,A_n是实例的n个属性变量，实例可用向量xi=(a₁,a₂,…,a_n)表示，其中，a_i是A_i的值，令C是类变量，c表示C的值。应用贝叶斯定理，实例x_i属于类c_j的概率为：

 

 

其中， 是正则化因子，P(a₁,a₂,…,a_n)的倒数，为常量，p(c_j)是类c_j的先验概率，p(c_j|a₁,a₂,…,a_n)是类c_j的后验概率。先验概率独立于训练数据集，而后验概率反映了样本数据对类c_j的影响。贝叶斯分类模型参数学习的关键就是如何计算p(a_i|a₁,a₂,…,a_i-1,c_j)。目前，不同贝叶斯分类模型的区别就在于，它们以不同的方式来求p(a_i|a₁,a₂,…,a_i-1,c_j)。x_i被分到c类，即g(e)=argmax p(c|a₁,a₂,…,a_n)，称g(e)为贝叶斯分类器。

贝叶斯分类器同其他分类器相比具有如下特点：

(1)贝叶斯分类器并不把一个对象绝对地指派给某一类，而是通过计算得出属于某一类的概率分布；

(2)一般情况下在贝叶斯分类器中所有的属性都潜在地起作用，即并不是一个或者几个属性决定分类，而是所有的属性都参与分类；

(3)用于贝叶斯分类器分类的对象的属性可以是离散的、连续的，也可以是混合的。

 

多模块集成式贝叶斯网络分类器

多模块集成式贝叶斯网络分类器是基于分治法的思想，将一个难以直接解决的大问题，分割成一些规模较小的问题，以便各个击破，分而治之。该模型既具有结构简单的优点。其思路将一个规模为n的问题分解为k个规模较小的子问题，最终使子问题缩小到很容易直接求出其解，而这些子问题互相独立且与原问题等价。最后把各部分的解组合成整个问题的解。

 

贝叶斯网络学习算法的准确性评价指标：预测准确度、计算复杂度和模型描述的简洁度。

贝叶斯网络分类器算法的准确性评价方法：利用似然概率评价网络结构的准确性。