贝叶斯网络分类器鉴别结构学习的有效启发式方法
Franz Pernkopf、Jeff A.Bilmes; 11(81):2323−2360, 2010.
摘要
我们引入了一种简单的基于订单的贪婪启发式学习方法生成贝叶斯网络中的判别结构分类器。我们提出两种方法来建立N个特征。它们基于条件互信息和分类率（即风险）。下订单后，我们可以找到一个判别结构O（否k+1（千分之一）)分数评估（此处为常数k个是子图在属性上的树宽度）。我们在25UCI存储库中的数据集，用于语音分类，使用TIMIT数据库，用于目视表面检查任务，以及两个手写数字识别任务。我们提供分类的性能二者都有鉴别力的和生成参数学习二者都有区别地和生成性结构化网络。有辨别力的我们的新程序发现的结构明显优于生成结构，并实现分类准确度与最佳鉴别（贪婪）贝叶斯网络学习方法，但其系数为~10-40加速。我们还表明了生成的优势区分结构贝叶斯网络分类器仍然适用缺失特征的情况，生成量词与区分性分类器相比的优势。
[腹肌]
[pdf格式][围兜]
