贝叶斯网络分类器高效算法研究

分类是数据挖掘、机器学习和模式识别中一项非常基本和重要的任务，有着非常广泛的应用。贝叶斯分类器建立在贝叶斯统计学和贝叶斯网络方法基础上，是一种最优分类器模型，具有精度高、模型可解释性好等特点。针对实际应用中很难获得高质量、大规模的数据样本，数据样本中或者包含不完整数据或者样本数很少的情况，本项目将研究如何充分利用有限的数据样本和不完整数据样本中包含的信息，构造高精度的贝叶斯分类器。具体内容包括：1）系统研究从不完整数据学习TAN、BAN和GBN三种较复杂贝叶斯网络分类器的高效方法；2）研究基于有限数据样本的贝叶斯网络分类模型的鉴别性学习方法；3）以鉴别性学习方法获得的分类模型作为基分类器，研究高效的集成分类方法。本项目的研究成果不仅会提高贝叶斯网络分类器的分类性能和实用性，拓宽其应用领域和应用范围，而且有利于促进贝叶斯统计学和贝叶斯网络方法的发展，该项研究具有重要的理论意义和实用价值。