資源描述：
《數(shù)據(jù)挖掘中的貝葉斯網(wǎng)絡(luò)學(xué)習(xí)模型優(yōu)化研究與應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、長(zhǎng)沙交通學(xué)院碩士學(xué)位論文數(shù)據(jù)挖掘中的貝葉斯網(wǎng)絡(luò)學(xué)習(xí)模型優(yōu)化研究與應(yīng)用姓名：羅海蛟申請(qǐng)學(xué)位級(jí)別：碩士專業(yè)：計(jì)算機(jī)應(yīng)用技術(shù)指導(dǎo)教師：傅明;史長(zhǎng)瓊20030501摘要近年柬，數(shù)據(jù)挖掘引起了信息產(chǎn)業(yè)界的極大關(guān)注，其主要原因是存在大量數(shù)掘，可以『l‘泛使用，并且迫切需要將這些數(shù)據(jù)轉(zhuǎn)換成有用的信息和知識(shí)。數(shù)據(jù)挖掘是信息技術(shù)自然演化的結(jié)果。目日d數(shù)據(jù)挖掘技術(shù)已成為機(jī)器學(xué)習(xí)、數(shù)據(jù)庫(kù)系統(tǒng)、人工智能等領(lǐng)域內(nèi)熱門的研究方向。貝葉斯【Bayesian)網(wǎng)絡(luò)近年成為數(shù)據(jù)挖掘引人注目的研究方向。與數(shù)據(jù)挖掘其它方法相比，貝葉斯網(wǎng)絡(luò)的優(yōu)點(diǎn)是可以綜合先驗(yàn)信息和樣本信息，這在樣本難得
2、H寸特另IJ有用：可以發(fā)現(xiàn)數(shù)據(jù)之間的因果關(guān)系，適合于處理不完整數(shù)據(jù)集，這是其它模型難以做到的。貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)也就是要找出一個(gè)能夠最真實(shí)反映現(xiàn)有數(shù)據(jù)集巾各數(shù)據(jù)變量相互之間的依賴關(guān)系的貝葉斯網(wǎng)絡(luò)模型。本文提出了一個(gè)貝葉斯網(wǎng)絡(luò)學(xué)習(xí)模型的優(yōu)化策略，即概念層次+(MIAC方法+JieCheng＆DavidBell算法)+BC算法，對(duì)在不完整數(shù)據(jù)集和存在連續(xù)屬性的情況下貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)做了些小小的研究工作(在本文中著重研究了貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方面)。在第三章中，將面向?qū)傩詺w納中的概念層次方法B1入到學(xué)習(xí)模型中，通過(guò)大量文獻(xiàn)閱讀，將文獻(xiàn)中的AGHC算法和AGP
3、C算法引入到本文中，經(jīng)比較分析，選取了效率更好的AGPC算法作為我們的自動(dòng)分層算法，為貝葉斯網(wǎng)絡(luò)學(xué)習(xí)用于連續(xù)屬性數(shù)據(jù)的提供了一點(diǎn)可供借鑒的小經(jīng)驗(yàn)?；谙嚓P(guān)性分析的BN學(xué)習(xí)算法和基于記分搜索的BN學(xué)習(xí)算法各有其優(yōu)缺點(diǎn)，本文將兩者結(jié)合，即采用JieCheng＆DavidBell算法學(xué)習(xí)BN結(jié)構(gòu)和BC算法用于不完整數(shù)據(jù)下的BN參數(shù)學(xué)習(xí)。本文對(duì)JieCheng＆DavidBell算法進(jìn)行了局部的小優(yōu)化，使之效率更高，并借鑒BC算法思想提}}_j了一種互信息近似計(jì)算的方法(MIAC，MutualInformationApproximateComputatio
4、n)，其可用于基于相關(guān)性分析的算法，對(duì)在不完整數(shù)據(jù)集下學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)陶還是有一些實(shí)用意義；最后通過(guò)基于本文的一個(gè)課題，給出了貝葉斯網(wǎng)絡(luò)學(xué)習(xí)在一個(gè)EPAD系統(tǒng)中的應(yīng)用。關(guān)鍵詞：數(shù)據(jù)挖掘，概念層次，面向?qū)傩詺w納，貝葉斯網(wǎng)絡(luò)Abstract111emajorreasonthatdatamininghasattractedagreatdealofattentionintheinformationindustryinrecentyearsisduetothewideavailabilityofhugeamountsofdataandtlleimminent
5、needforturningsuchdataintoilse如linformationandknowledge．Dataminingcallbeviewedasaresultofthenaturalevolutionofinformationtechnology．Nowdataminingtechniqueshavebeenakeytopicintheareasofstatistics，machinelearning，databasesystems，artificialintelligenceetc．Bayesiannetworkapproache
6、shavebecomeallimportantresearchdirectioninDatamining．Comparedwithotherapproachesusedfordatamining，Bayesiannetworkscallcombinepriorknowledgewithobserveddata．whichisveryimportantwhen，dataisscarceorveryexpensive．Moreover,BayesiannenNorksCalldiscovercausalrelationshipsamongdataand
7、handleincompletedataset，whichothermethodsCannotdo．LearningofBayesiannetworkistofindoutanetworkmodelthatbestrepresentsthedependentrelationshipsofthevariablesinadataset．Inthispaper,allimprovedmodeloflearningofBayesiannetworkshasbeenproposed，namelyconcepthierarchies+(MIACmethod+J
8、ieCheng&DavidBellaalgorithm)+BCalgorithmwhichRelativelyfineso
