贝叶斯分类方法研究

第1章 绪 论/1
1.1研究背景/1
1.2贝叶斯网络的研究现状/3
1.2.1贝叶斯网络的学习/4
1.2.2贝叶斯网络推理/6
1.2.3贝叶斯分类方法/6
1.2.4贝叶斯网络的表示能力/8
1.3研究内容及结果/9
第2章 贝叶斯学习理论/12
2.1贝叶斯学习基础/12
2.1.1频率概率和贝叶斯概率/12
2.1.2贝叶斯定理/13
2.2贝叶斯学习理论/14
2.2.1贝叶斯学习的基本过程/14
2.2.2贝叶斯方法的计算学习机制/15
2.3贝叶斯网络及其学习/19
2.3.1贝叶斯网络/19
2.3.2贝叶斯网络的结构学习/22
2.3.3贝叶斯网络的参数学习/31
2.4贝叶斯推理/34
第3章 贝叶斯分类方法/38
3.1贝叶斯最优分类器/38
3.2朴素贝叶斯分类器/40
3.2.1模型简介/40
3.2.2最优性条件/4l
3.2.3朴素贝叶斯分类模型的可学习性/44
3.3贝叶斯网络分类器/47
3.3.1模型简介/47
3.3.2贝叶斯网络的表示能力及分类性能/48
第4章 限定性贝叶斯分类模型/51
4.1引言/51
4.2现有的限定性贝叶斯分类模型/53
4.3限定性双层贝叶斯分类模型：DLBAN/58
4.3.1贝叶斯定理变形公式/58
4.3.2DLBAN模型/60
4.3.3DLBAN模型学习算法/6l
4.3.4算法性能分析/66
4.4实验结果/66
4.5小结/70
第5章 贝叶斯网络分类算法的稳定性/71
5.1引言/71
5.2几种常用分类算法的稳定性/72
5.2.1决策树分类算法/72
5.2.2最近邻分类算法/73
5.2.3朴素贝叶斯分类算法/74
5.3贝叶斯网络稳定性分析/76
5.3.1贝叶斯网络结构稳定性分析/76
5.3.2贝叶斯网络性能稳定性分析/81
5.4分类器分类稳定性度量方法/82
5.4.1基于“一致”的度量方法/83
5.4.2基于方差的度量方法/84
5.5实验结果/86
5.5.1算法和实验数据/86
5.5.2实验结果和分析/88
5.6小结/92
第6章 贝叶斯分类方法的集成/93
6.1研究背景/93
6.2分类器集成方法/96
6.2.1弱分类器/96
6.2.2分类器集成的实现方法/97
6.2.3两种典型的集成技术：Bagging和Boosting/99
6.3TAN学习算法/102
6.3.1典型的TAN学习算法/102
6.3.2调整的TAN学习算法GTAN/104
6.4TAN分类器集成/106
6.4.1基分类器的差异性/106
6.4.2 TAN分类器集成算法/114
6.5实验结果/116
6.6小结/119
第7章 基于贝叶斯网络的词义排歧/121
7.1研究背景/121
7.2问题的描述/124
7.3贝叶斯网络词义排歧框架/127
7.3.1基本分类方法的选择/127
7.3一多分类器的选择/128
7.3.3学习算法/130
7.4实验方法和结果/131
7.4.1词典资源和语料库资源/131
7.4.2从语料库抽取训练数据/131
7.4.3实验结果及分析/134
7.5小结/136
结束语/138
后记/142
参考文献/144