计算机工程

作者：余良俊, 甘胜丰, 范正薇

单位：1. 湖北第二师范学院 计算机学院, 武汉 430205;2. 湖北广播电视大学 继续教育学院, 武汉 430074

关键词：贝叶斯网络,一依赖估测器,分类算法,结构扩展,属性值加权

基金：湖北省自然科学基金面上项目"属性值加权的贝叶斯网络分类算法研究"（2018CFC893）；湖北省中央引导地方科技发展专项立项项目"区域基础教育资源配置与优化关键技术的研究与应用"（2019ZYYD012）；湖北省重点实验室开放基金项目"基于贝叶斯网络分类算法的岩爆预测研究"（KLIGIP-2018A05）；湖北省技术创新专项"土木工程智慧建造仿真交互软硬件系统"（2019AEE020）。

分类问题是数据挖掘和机器学习领域研究的重点问题，贝叶斯网络模型因其简单高效的特点而广泛应用于分类问题。一依赖估测器（ODE）模型作为半监督学习贝叶斯网络模型中的经典模型，受到研究人员的广泛关注。现有的ODE模型分类器在进行分类判别时，未考虑不同的属性节点作为根节点时对分类过程的贡献不同，为此，将ODE模型分类器与属性值加权方法相结合并提出MI-ODE算法。采用相互信息（MI）度量属性根节点的属性值与类变量之间的依赖关系并作为ODE模型的权值，对ODE分类器模型进行属性值加权平均。将MI-ODE算法应用于现实分类问题的36个标准数据集，结果表明，相比于NB算法、AODE算法与TAN算法，该算法的分类性能更优。

来源：2020年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2020年第11期