基于EM和贝叶斯网络的丢失数据填充算法

被引：19

作者：

李宏

阿玛尼

李平

吴敏

机构：

[1] 中南大学信息科学与工程学院

来源：

计算机工程与应用 | 2010年 / 05期

关键词：

丢失数据填充; 参数更新器; 最大期望值算法(EM); 贝叶斯网络;

D O I：

暂无

中图分类号：

TP301.6 [算法理论];

学科分类号：

081202 ;

摘要：

实际应用中存在大量的丢失数据的数据集,对丢失数据的处理已成为目前分类领域的研究热点。分析和比较了几种通用的丢失数据填充算法,并提出一种新的基于EM和贝叶斯网络的丢失数据填充算法。算法利用朴素贝叶斯估计出EM算法初值,然后将EM和贝叶斯网络结合进行迭代确定最终更新器,同时得到填充后的完整数据集。实验结果表明,与经典填充算法相比,新算法具有更高的分类准确率,且节省了大量开销。

引用

页码：123 / 125

页数：3

共 5 条

[1] On the slow convergence of EM and VBEM in low-noise linear models [J].

Petersen, KB ;

Winther, O ;

Hansen, LK .

NEURAL COMPUTATION, 2005, 17 (09) :1921-1926

[2] A grey-based nearest neighbor approach for missing attribute value prediction [J].

Huang, CC ;

Lee, HM .

APPLIED INTELLIGENCE, 2004, 20 (03) :239-252

[3]

AN ANALYSIS OF FOUR MISSING DATA TREATMENT METHODS FOR SUPERVISED LEARNING[J] . Gustavo E. A. P. A. Batista,Maria Carolina Monard.Applied Artificial Intelligence . 2003 (5-6)

[4] Imputation of missing data in industrial databases [J].

Lakshminarayan, K ;

Harp, SA ;

Samad, T .

APPLIED INTELLIGENCE, 1999, 11 (03) :259-275

[5]

Imputation using markov chains[J] . Kim-Hung Li.Journal of Statistical Computation and Simulation . 1988 (1)

← 1 →