计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2014年
4期
1083-1088
,共6页
傅顺开%Sein Minn%李志强
傅順開%Sein Minn%李誌彊
부순개%Sein Minn%리지강
多标签分类%多维分类%多维贝叶斯网络分类器%贝叶斯网络%马尔可夫毯
多標籤分類%多維分類%多維貝葉斯網絡分類器%貝葉斯網絡%馬爾可伕毯
다표첨분류%다유분류%다유패협사망락분류기%패협사망락%마이가부담
multi-label classification%multi-dimensional classification%Multi-dimensional Bayesian Network Classifier (MBNC)%Bayesian Network (BN)%Markov blanket
传统多维贝叶斯网络分类器(MBNC)限制其模型结构必须是二分的,通过移除该限制可得到更准确的对关联分布建模的通用MBNC(GMBNC).基于局部马尔可夫毯的迭代搜索,提出可准确学习GMBNC的算法IPC-GMBNC.该算法由于无需学习全局贝叶斯网络(BN),可扩展性强.基于已知贝叶斯网络模型而随机生成的数据上所执行的实验显示,IPC-GMBNC可有效推导出目标结构;而且与传统的全局结构学习算法PC相比,IPC-GMBNC可节省大量的计算量.
傳統多維貝葉斯網絡分類器(MBNC)限製其模型結構必鬚是二分的,通過移除該限製可得到更準確的對關聯分佈建模的通用MBNC(GMBNC).基于跼部馬爾可伕毯的迭代搜索,提齣可準確學習GMBNC的算法IPC-GMBNC.該算法由于無需學習全跼貝葉斯網絡(BN),可擴展性彊.基于已知貝葉斯網絡模型而隨機生成的數據上所執行的實驗顯示,IPC-GMBNC可有效推導齣目標結構;而且與傳統的全跼結構學習算法PC相比,IPC-GMBNC可節省大量的計算量.
전통다유패협사망락분류기(MBNC)한제기모형결구필수시이분적,통과이제해한제가득도경준학적대관련분포건모적통용MBNC(GMBNC).기우국부마이가부담적질대수색,제출가준학학습GMBNC적산법IPC-GMBNC.해산법유우무수학습전국패협사망락(BN),가확전성강.기우이지패협사망락모형이수궤생성적수거상소집행적실험현시,IPC-GMBNC가유효추도출목표결구;이차여전통적전국결구학습산법PC상비,IPC-GMBNC가절성대량적계산량.
