文档介绍：摘要关的研究则相对很少。本文从判别学诶啾鹑敝凳莸呐斜鸨匆端雇绲难爸校攵允导饰侍庵写嬖诘拇贝叶斯网络分类器在很多领域有广泛的应用。为了更好的解决分类问题,出现了两种不同的扩展贝叶斯网络分类器。一是网络结构的扩展,这方面的代表有朴素贝叶斯分类器和掷嗥鳎涣硪恢质茄胺椒ǖ睦┱梗椿谂斜鹧暗贝叶斯网络分类器。从学习的目的性来讲,贝叶斯网络的学习方法包括生成学习和判别学习。自贝叶斯网络出现以来,主要研究了生成学习方法,而判别学习相衡数据、属性缺值数据以及类别缺值数据,研究了基于判别学习的贝叶斯网络的几种算法。本文的主要研究内容如下:畚淖芙崃讼钟械谋匆端雇绲纳裳八惴ê团斜鹧八惴ǎ⒋蛹个不同的角度对生成贝叶斯网络和判别贝叶斯网络进行了实验对比。诜掷啻鄄黄胶馐莸呐斜鸨匆端雇绲难爸校攵匝臼莘掷代价的不平衡性,在判别贝叶斯网络学习的基础上,提出了贝叶斯网络的代价敏感参数和代价敏感结构的学习算法。在参数学习算法中提出了一种代价敏感损失函数作为目标函数,并应用共轭梯度法进行求解;而在结构学习中则提出了代价敏感准则用于贝叶斯网络的结构学习,这种代价敏感准则是关于分类代价和分类精度的双重评分准则。谑粜匀敝凳莸呐斜鸨匆端雇绲难爸校攵允导饰侍庵写嬖诘氖性缺值数据,研究了判别贝叶斯网络学习的惴āL岢隽艘恢质沟肅算法收敛的治隽耸樟驳腃算法在判别贝叶斯网络学习中存在的缺陷,并在此基础上分别从胶蚆步对惴ń薪疲档土思扑愕母丛佣龋使得惴ㄔ谂斜鸨匆端雇绲难爸惺怯行铱尚械摹量类别缺值数据,研究了贝叶斯网络的半监督学习和主动学习算法。,应用对数联合似然函数度量无标签样本与模型的拟合程度,而应用对数条件似然函数度量有标签样本与模型的拟合程度:然后为了实现对类别缺值数据的代价敏感挖掘,提出了基于代价敏感样本选择策略的主动学习算法。ū疚南喙氐难芯糠椒ㄓ糜谘桃陡泄僦柿康钠兰壑校踊С煞秩敝怠感官类别缺值和考虑分类代价等多个角度对烟叶感官质量进行预测和评价,为实际的卷烟生产提供了一种智能化的评价方法。主题词:贝叶斯网络判别学衡数据缺值数据烟叶质量国防科学技术大学研究生院博七学位论文第
,,国防科学技术大学研究生院博十学位论文.,第※页甌甇疉.,。,。瓹.。.。,,·瓼—甀。..。.
築国防科学技术大学研究生院博十学何论文,第萸,,,
表目录表测试集合的最优似然与最优分类器的似然的对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.表代价敏感参数的实验结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..⋯⋯⋯⋯⋯..表代价敏感主动贝叶新网络分类器的总体分类精度⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.表实验数据集⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..表训练集的最优似然与最优分类器的似然的对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.表数据集的参数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.表分类精度⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯表生成。判别混合半监督学习中的参数设置⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯表代价敏感主动贝叶斯网络分类器的的总体分类代价⋯⋯⋯⋯⋯⋯⋯⋯⋯.表代价敏感主动贝时斯网络分类器的的高代价样本的分类误差⋯⋯⋯⋯⋯.表烟叶的主要化学成分⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯表烟叶的终在质量指标⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.表烟叶的内在质量指标⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.表烤烟等级质量标准⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..国防科学技术大学研究生院博士学位论文第爽
图目录图一个判断牛的种类的类⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图表示肉牛和奶牛的子类⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图一个简单的峁埂图关系模式⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图关系构架⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯图一个包含了部分参数的图氖纠图主要研究内容之间的逻辑关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..图一个简单的贝叶斯网络示例⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图朴素贝叶斯分类器⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.掷嗥鳌图复杂数据集的对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图简单数据集的对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图基于瓹与、匆端雇绶掷嗥鞯姆掷嗑ǘ榷员取图基于瓹与、匆端雇绶掷嗥鞯母叽垩痉掷辔蟛疃员龋图基于瓹与、匆端雇绶掷嗥鞯淖芴宸掷啻鄱员取图不同代价比的高代价类别样本的误分类率⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图不同代价比的总体分类代价⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.图基