用于因果分析的混合贝叶斯网络结构学习

被引：6

作者：

王双成 ^{[1
]}

李小琳 ^{[2
]}

侯彩虹 ^{[1
]}

机构：

[1] 上海立信会计学院信息科学系

[2] 南京大学软件技术国家重点实验室

来源：

智能系统学报 | 2007年 / 06期

关键词：

因果分析; 混合贝叶斯网络; 最大似然树; Gibbs抽样;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

摘要：

目前主要结合扩展的熵离散化方法和打分-搜索方法进行混合贝叶斯网络结构学习,算法效率和可靠性低,而且易于陷入局部最优结构.针对问题建立了一种新的混合贝叶斯网络结构迭代学习方法.在迭代中,基于父结点结构和Gibbs sampling进行混合数据聚类,实现对连续变量的离散化,再结合贝叶斯网络结构优化调整,使贝叶斯网络结构序列逐渐趋于稳定,可避免使用扩展的熵离散化和打分-搜索所带来的主要问题.

引用

页码：82 / 89

页数：8

共 6 条

[1] 具有丢失数据的可分解马尔可夫网络结构学习
王双成
苑森淼
[J]. 计算机学报, 2004, (09) : 1221 - 1228
[2] 具有丢失数据的贝叶斯网络结构学习研究
王双成
苑森淼
[J]. 软件学报, 2004, (07) : 1042 - 1048
[3] 基于遗传算法的Bayesian网中连续变量离散化的研究
王飞
刘大有
薛万欣
[J]. 计算机学报, 2002, (08) : 794 - 800
[4] On the Optimality of the Simple Bayesian Classifier under Zero-One Loss
Pedro Domingos
Michael Pazzani
[J]. Machine Learning, 1997, 29 : 103 - 130
[5] David Heckerman,Dan Geiger,David M. Chickering.Learning Bayesian Networks: The Combination of Knowledge and Statistical Data[J].Machine Learning,1995(3)
[6] Chow CK, Liu CN.Approximating discrete probability distributions with dependence trees[K].IEEE Transactions on Information Theory,1968

← 1 →