贝叶斯分类器与判别式学习方法研究

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，有着极其广泛的应用。贝叶斯分类器是建立在贝叶斯统计学和贝叶斯网络方法基础上的、具有优良的可解释型和分类精度的最优分类器模型。针对实际应用中很难获得大规模的数据样本与贝叶斯分类器产生式学习方法存在的问题，本项目拟对贝叶斯分类器和判别式学习方法进行研究，构造分类性能更优、健壮性更强的分类器。具体内容包括：1）系统研究贝叶斯分类器的判别式学习方法；2）研究利用贝叶斯网络提高支持向量机处理不完备数据能力的方法；3）研究产生式与判别式混合分类模型构造方法。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支持向量机的适应能力，而且有利于促进机器学习与数据挖掘中分类方法的深入研究与发展，该项目的研究具有重要的理论意义和实用价值。