第1章 绪论 1
1.1 研究背景与意义 1
1.2 贝叶斯网络的发展现状 2
1.2.1 贝叶斯网络学习 2
1.2.2 贝叶斯网络推理 6
1.2.3 含隐变量和选择变量的贝叶斯网络 8
1.3 数据分类问题 9
1.4 本书的主要内容和结构安排 10
第2章 贝叶斯网络和祖先图的基础知识 13
2.1 贝叶斯网络基本知识 13
2.1.1 图论知识和概率论知识 13
2.1.2 贝叶斯网络 16
2.2 祖先图基本知识 20
2.2.1 考虑隐变量和选择偏倚的原因 20
2.2.2 祖先图 21
2.2.3 学习隐结构的算法 23
2.3 本章小结 25
第3章 基于约束学习贝叶斯网络框架 26
3.1 引言 26
3.2 理论基础 28
3.3 EHPC算法 28
3.3.1 学习父子节点集的超集 29
3.3.2 学习配偶节点集的超集 32
3.3.3 子程序Inter-IAPC和主程序EHPC 34
3.4 仿真实验 36
3.5 本章小结 41
第4章 祖先图的本质图 42
4.1 祖先图的等价类 42
4.2 （最小）本质图 45
4.3 学习本质图框架 46
4.3.1 算法流程 46
4.3.2 理论证明 49
4.4 实验结果 52
4.5 本章小结 57
第5章 等价祖先图的转换 58
5.1 引言 58
5.2 基础知识 59
5.3 转换流程 59
5.4 本章小结 65
第6章 数据分类的基础知识 67
6.1 数据分类 67
6.1.1 数据分类的意义 67
6.1.2 常见数据类型 68
6.1.3 数据分类的基本原则 70
6.2 数据分类经典算法 71
6.2.1 决策树分类算法 72
6.2.2 支持向量机分类算法 73
6.2.3 基于关联规则分类算法 75
6.2.4 基于数据库技术的分类算法 76
6.2.5 贝叶斯分类算法 77
6.2.6 数据分类的应用 81
6.3 本章小结 81
第7章 贝叶斯网络分类器 82
7.1 粗糙集理论 82
7.1.1 信息系统 83
7.1.2 属性约简 84
7.2 ARE-BNC算法 84
7.2.1 生成初始种群 85
7.2.2 进化算法 87
7.3 实验结果 88
7.4 本章小结 92
第8章 k-最近邻分类器 93
8.1 k-最近邻分类器的发展 93
8.2 k-最近邻算法基础知识 94
8.2.1 k-最近邻规则 94
8.2.2 k-最近邻算法的基本要素 95
8.2.3 分类精度评估 97
8.2.4 留一法 97
8.3 k-最近邻算法的流程 98
8.3.1 数据预处理和k的取值范围 102
8.3.2 选择最优k值的近似凹优化框架 103
8.4 数值实验 108
8.4.1 时间及精度对比 109
8.4.2 LOO-O-k的稳定性 110
8.5 本章小结 114
第9章 研究展望 115
参考文献 117