现实情况是属性全部独立基本上是不可能的，而如果完全考虑各属性之间的相关性会大大增加计算复杂度，所以才引入半朴素贝叶斯网络：进一步放松条件独立性假设，即假设部分属性之间存在依赖关系。
独依赖估计：每个其他属性最多只依赖于一个属性，即：
对于父属性已知的计算，可采用式（9）的计算方式进行计算。故问题就在如何确定父属性，最简单的方法是如图（b）所示，SPODE,称为超父属性，即所有节点都依赖于同一个父属性，x1为超父属性。
TAN树则是在最大带权生成树算法的基础上，通过一下步骤获得（c）的树形结构：
（1） 计算任意两个属性之间的条件互信息
（2） 以属性为节点构造完全图，两节点之间的权值为互信息
（3） 构建此完全图的最大带权生成树，挑选根变量，将边设置为有向的；
（4） 加入类别节点y，增加从y到每个属性xi的有向边；
通过条件互信息就刻画了属性之间的依赖关系，然后基于互信息计算属性之间的权值，从而实现半朴素贝叶斯网络的构建。
AODE是一种基于集成学习机制、更为强大的独依赖分类器。与SPODE确定超父属性的方法不同，AODE尝试将每个属性都作为超父属性来构建SPODE，然后将具有足够训练支撑的SPODE集成起来作为最终结果，即：
Dxi是在第i个属性上取值为xi的样本的集合（xi为父节点），m为阈值常数（一般默认为30），故AODE方法需要估计P(c,xi)和p(xj|c,xi),利用拉普拉斯平滑有原理，与式（7）（8）类似(参见文章：贝叶斯系列：（一）朴素贝叶斯分类器)：
贝叶斯系列：（二）半朴素贝叶斯分类器
猜你喜欢
转载自blog.csdn.net/cxjoker/article/details/81878037
今日推荐
周排行