基于置信区间的贝叶斯网参数学习算法及集成学习研究
| 提要 | 第1-7页 |
| 第一章 绪论 | 第7-10页 |
| ·研究背景和意义 | 第7-8页 |
| ·本文的工作 | 第8-10页 |
| 第二章 贝叶斯网 | 第10-27页 |
| ·概述 | 第10-13页 |
| ·贝叶斯网 | 第13-14页 |
| ·数学含义 | 第13-14页 |
| ·贝叶斯网定义 | 第14-15页 |
| ·贝叶斯网的推理 | 第15-16页 |
| ·变量消除算法 | 第15-16页 |
| ·连结树算法 | 第16页 |
| ·几种典型的参数学习方法 | 第16-27页 |
| ·极大似然估计法 | 第17-19页 |
| ·Bayesian方法 | 第19-22页 |
| ·其它方法 | 第22-27页 |
| 第三章 集成学习研究 | 第27-38页 |
| ·概述 | 第27-29页 |
| ·集成学习有效的原因 | 第29-30页 |
| ·集成学习方法介绍 | 第30-34页 |
| ·基学习器分类结果的整合方式 | 第34-36页 |
| ·简单投票 | 第34-35页 |
| ·贝叶斯投票 | 第35页 |
| ·基于D-S证据理论的整合方式 | 第35页 |
| ·对基于不同特征子集得到的基本分类器的整合 | 第35-36页 |
| ·集成学习的分析 | 第36-38页 |
| ·Bias-Variance分解分析 | 第36页 |
| ·实验比较 | 第36-38页 |
| 第四章 贝叶斯网参数学习的区间估计及集成算法 | 第38-55页 |
| ·基本概念及定理 | 第38-42页 |
| ·两个结论 | 第42-43页 |
| ·基于置信水平的区间估计算法 | 第43-51页 |
| ·算法原理 | 第43-44页 |
| ·与算法相关的问题 | 第44-45页 |
| ·总体样本的预处理 | 第45-48页 |
| ·连续参数的离散化处理 | 第48-49页 |
| ·算法描述 | 第49-50页 |
| ·算法的收敛性分析 | 第50-51页 |
| ·基于贝叶斯学习器的集成学习 | 第51-55页 |
| ·加权函数的构造 | 第52-53页 |
| ·惩罚函数的构造 | 第53-54页 |
| ·基学习器的整合 | 第54-55页 |
| 第五章 试验分析 | 第55-60页 |
| ·试验所用的贝叶斯网络结构 | 第55-56页 |
| ·试验中t值的计算方法 | 第56页 |
| ·试验对比 | 第56-60页 |
| 第六章 总结与展望 | 第60-61页 |
| 参考文献 | 第61-63页 |
| 摘要 | 第63-66页 |
| Abstract | 第66-69页 |
| 致谢 | 第69页 |
