无向马尔科夫毯分类器及扩展研究
对可分解概率模式, 在 0-1 损失下证明了无向马尔科夫毯分类器是最优分类器. 针对目前建立无向马尔科夫毯结构效率和可靠性低的问题, 本文基于贝叶斯网络理论、马尔科夫网络理论和可靠性定理进行局部无向马尔科夫毯结构学习, 来避免这些问题. 同时,为对小例子集也能进行有效地分类, 建立了近似学习方法, 并把无向马尔科夫毯分类器扩展成为联合分类器. 分别使用模拟和真实数据进行了分类器分类准确性比较试验, 试验结果显示了联合分类器具有良好的分类准确性.
分类器 马尔科夫网络 马尔科夫毯 最大完全子图 弦图
王双成 刘念祖 王镇海
上海立信会计学院信息科学系, 上海201600
国内会议
武汉
中文
2005-10-13（万方平台首次上网日期，不代表论文的发表时间）