基于贝叶斯网络理论的TAN分类器无向依赖扩展  

Extending TAN Classifiers Using Undirected Graphical Models Based on Bayesian Network Theory

作　　者：王双成[1] 张邦佐[2] 王辉[2] 苑森淼[3] 

机构地区：[1]上海立信会计学院信息科学系,上海201600 [2]东北师范大学计算机系,吉林长春130024 [3]吉林大学计算机科学与技术学院,吉林长春130025

出　　处：《小型微型计算机系统》2005年第1期42-45,共4页Journal of Chinese Computer Systems

基　　金：国家自然科学基金项目 (60 2 75 0 2 6)资助

摘　　要：基于贝叶斯网络理论 ,对 TAN分类器进行无向网络依赖扩展 ,把属性变量之间的树结构扩展成可分解马尔科夫网络 ,使经过依赖扩展得到的分类器能够充分利用属性变量之间的依赖信息 ,提高分类能力 ,并能够通过调节阈值大小避免过度拟合 .TAN classifier is ext ended using undirected graphical models based on Bayesian network theory. Attrib ute tree is extended into decomposable markov network. As a result, Extended cl assifier can make the best of dependent information between attribute variables and classification accuracy is improved. Overfitting problem can be avoided by a djusting threshold.

关 键 词：TAN分类器 可分解马尔科夫网络 贝叶斯网络 0-1损失率 最大完全子图 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]