基于多模型混合的贝叶斯网络结构的研究与改进
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 贝叶斯网络研究的背景与意义 | 第9-10页 |
| 1.2 贝叶斯网络的研究现状 | 第10-12页 |
| 1.3 本课题的主要工作 | 第12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第2章 相关理论知识介绍 | 第14-30页 |
| 2.1 贝叶斯网络基本模型 | 第14-15页 |
| 2.2 贝叶斯网络的学习 | 第15-20页 |
| 2.2.1 结构学习 | 第16-19页 |
| 2.2.2 参数学习 | 第19-20页 |
| 2.3 信息论相关知识 | 第20-21页 |
| 2.4 限制性贝叶斯网络模型介绍 | 第21-28页 |
| 2.4.1 朴素贝叶斯分类模型 | 第22-23页 |
| 2.4.2 树扩展朴素贝叶斯模型 | 第23-25页 |
| 2.4.3 k阶依赖贝叶斯模型 | 第25-27页 |
| 2.4.4 平均一依赖估计分类算法 | 第27-28页 |
| 2.5 多模型合并相关知识 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于多模型混合的贝叶斯网络结构 | 第30-40页 |
| 3.1 隐藏朴素贝叶斯分类算法 | 第30-32页 |
| 3.2 算法分析 | 第32-33页 |
| 3.3 H-AODE算法 | 第33-36页 |
| 3.3.1 H-AODE算法思想 | 第33页 |
| 3.3.2 H-AODE算法描述 | 第33-34页 |
| 3.3.3 H-AODE算法主要步骤 | 第34-35页 |
| 3.3.4 后验概率计算 | 第35-36页 |
| 3.4 WH-AODE模型 | 第36-39页 |
| 3.4.1 基于属性变量和类变量互信息的改进 | 第36-37页 |
| 3.4.2 基于属性变量间互信息的改进 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于UCI数据集的实验与结果分析 | 第40-54页 |
| 4.1 实验数据与实验方法 | 第40-45页 |
| 4.1.1 实验数据集描述与处理 | 第40-42页 |
| 4.1.2 0-1 Loss简介 | 第42-43页 |
| 4.1.3 Bias/Variance简介 | 第43-45页 |
| 4.1.4 实验方法 | 第45页 |
| 4.2 实验结果分析 | 第45-52页 |
| 4.2.1 0-1 loss 分析 | 第45-49页 |
| 4.2.2 Bias/Variance 分析 | 第49-51页 |
| 4.2.3 基于不同规模的数据集分析 | 第51-52页 |
| 4.3 实验总结 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 课题总结 | 第54页 |
| 5.2 工作展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 作者简介及在学期间所取得的科研成果 | 第60-61页 |
| 致谢 | 第61页 |
