貝葉斯分類方法研究

第1章 緒 論/1
1.1研究背景/1
1.2貝葉斯網(wǎng)絡的研究現(xiàn)狀/3
1.2.1貝葉斯網(wǎng)絡的學習/4
1.2.2貝葉斯網(wǎng)絡推理/6
1.2.3貝葉斯分類方法/6
1.2.4貝葉斯網(wǎng)絡的表示能力/8
1.3研究內(nèi)容及結(jié)果/9
第2章 貝葉斯學習理論/12
2.1貝葉斯學習基礎/12
2.1.1頻率概率和貝葉斯概率/12
2.1.2貝葉斯定理/13
2.2貝葉斯學習理論/14
2.2.1貝葉斯學習的基本過程/14
2.2.2貝葉斯方法的計算學習機制/15
2.3貝葉斯網(wǎng)絡及其學習/19
2.3.1貝葉斯網(wǎng)絡/19
2.3.2貝葉斯網(wǎng)絡的結(jié)構(gòu)學習/22
2.3.3貝葉斯網(wǎng)絡的參數(shù)學習/31
2.4貝葉斯推理/34
第3章 貝葉斯分類方法/38
3.1貝葉斯最優(yōu)分類器/38
3.2樸素貝葉斯分類器/40
3.2.1模型簡介/40
3.2.2最優(yōu)性條件/4l
3.2.3樸素貝葉斯分類模型的可學習性/44
3.3貝葉斯網(wǎng)絡分類器/47
3.3.1模型簡介/47
3.3.2貝葉斯網(wǎng)絡的表示能力及分類性能/48
第4章 限定性貝葉斯分類模型/51
4.1引言/51
4.2現(xiàn)有的限定性貝葉斯分類模型/53
4.3限定性雙層貝葉斯分類模型：DLBAN/58
4.3.1貝葉斯定理變形公式/58
4.3.2DLBAN模型/60
4.3.3DLBAN模型學習算法/6l
4.3.4算法性能分析/66
4.4實驗結(jié)果/66
4.5小結(jié)/70
第5章 貝葉斯網(wǎng)絡分類算法的穩(wěn)定性/71
5.1引言/71
5.2幾種常用分類算法的穩(wěn)定性/72
5.2.1決策樹分類算法/72
5.2.2最近鄰分類算法/73
5.2.3樸素貝葉斯分類算法/74
5.3貝葉斯網(wǎng)絡穩(wěn)定性分析/76
5.3.1貝葉斯網(wǎng)絡結(jié)構(gòu)穩(wěn)定性分析/76
5.3.2貝葉斯網(wǎng)絡性能穩(wěn)定性分析/81
5.4分類器分類穩(wěn)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實驗結(jié)果/86
5.5.1算法和實驗數(shù)據(jù)/86
5.5.2實驗結(jié)果和分析/88
5.6小結(jié)/92
第6章 貝葉斯分類方法的集成/93
6.1研究背景/93
6.2分類器集成方法/96
6.2.1弱分類器/96
6.2.2分類器集成的實現(xiàn)方法/97
6.2.3兩種典型的集成技術(shù)：Bagging和Boosting/99
6.3TAN學習算法/102
6.3.1典型的TAN學習算法/102
6.3.2調(diào)整的TAN學習算法GTAN/104
6.4TAN分類器集成/106
6.4.1基分類器的差異性/106
6.4.2 TAN分類器集成算法/114
6.5實驗結(jié)果/116
6.6小結(jié)/119
第7章 基于貝葉斯網(wǎng)絡的詞義排歧/121
7.1研究背景/121
7.2問題的描述/124
7.3貝葉斯網(wǎng)絡詞義排歧框架/127
7.3.1基本分類方法的選擇/127
7.3一多分類器的選擇/128
7.3.3學習算法/130
7.4實驗方法和結(jié)果/131
7.4.1詞典資源和語料庫資源/131
7.4.2從語料庫抽取訓練數(shù)據(jù)/131
7.4.3實驗結(jié)果及分析/134
7.5小結(jié)/136
結(jié)束語/138
后記/142
參考文獻/144