属性值加权的一依赖估测器模型分类算法研究
来源：计算机工程杂志2020年第11期北京时间：
作者：余良俊, 甘胜丰, 范正薇
单位：1. 湖北第二师范学院 计算机学院, 武汉 430205;2. 湖北广播电视大学 继续教育学院, 武汉 430074
摘要：分类问题是数据挖掘和机器学习领域研究的重点问题，贝叶斯网络模型因其简单高效的特点而广泛应用于分类问题。一依赖估测器（ODE）模型作为半监督学习贝叶斯网络模型中的经典模型，受到研究人员的广泛关注。现有的ODE模型分类器在进行分类判别时，未考虑不同的属性节点作为根节点时对分类过程的贡献不同，为此，将ODE模型分类器与属性值加权方法相结合并提出MI-ODE算法。采用相互信息（MI）度量属性根节点的属性值与类变量之间的依赖关系并作为ODE模型的权值，对ODE分类器模型进行属性值加权平均。将MI-ODE算法应用于现实分类问题的36个标准数据集，结果表明，相比于NB算法、AODE算法与TAN算法，该算法的分类性能更优。
关键词：贝叶斯网络,一依赖估测器,分类算法,结构扩展,属性值加权
基金资助：湖北省自然科学基金面上项目属性值加权的贝叶斯网络分类算法研究（2018CFC893）；湖北省中央引导地方科技发展专项立项项目区域基础教育资源配置与优化关键技术的研究与应用（2019ZYYD012）；湖北省重点实验室开放基金项目基于贝叶斯网络分类算法的岩爆预测研究（KLIGIP-2018A05）；湖北省技术创新专项土木工程智慧建造仿真交互软硬件系统（2019AEE020）。
