×
弗洛雷斯，M.朱莉娅;何塞·加梅兹。;安娜·M·马丁内斯。;JoséM·普埃尔塔。

HODE：隐藏的单依赖估计量。 （英语） Zbl 1245.62076号

Sossai，Claudio（编辑）等人，《不确定性推理的符号和定量方法》。第十届欧洲会议，ECSQARU 2009，意大利维罗纳，2009年7月1日至3日。诉讼程序。柏林：施普林格出版社（ISBN 978-3-642-02905-9/pbk）。计算机科学课堂讲稿5590。人工智能课堂讲稿，481-492（2009）。
摘要：在改进朴素贝叶斯（NB）分类器的几次尝试中，聚合单相关估计量（AODE）被证明是最有吸引力的一种，它不仅考虑到它提供的低误差，而且考虑到它的效率。AODE使用数据库的每个属性作为超级父项来估计每个SPODE（超级父项-单相关估计量）的相应参数，并将其均匀平均。然而，AODE具有可以改进的特性。首先，由于需要存储所有构建的模型，导致对空间的要求很高，因此无法处理高维问题；其次，尽管它很快，但训练所需的计算时间和分类时间在属性数量上是二次的。这在分类时间特别重要，因为它经常是实时执行的。我们提出了HODE分类器作为AODE的一种替代方法，以通过估计一个新的变量（隐藏变量）作为类之外的超父来缓解其问题，该类的主要目标是收集AODE模型中存在的所有依赖关系。所获得的结果表明，该新算法在准确度方面提供了类似的结果，同时降低了分类的时间和空间复杂性。
关于整个系列，请参见[兹比尔1165.68020].

引用于2文件

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）
2015年1月62日 贝叶斯推断
65C60个 统计中的计算问题（MSC2010）

关键词：

AODE公司;SPODE公司;贝叶斯网络;贝叶斯分类器;分类

软件：

自动分类
PDF格式BibTeX公司 XML格式引用
\textit{M.J.Flores}等人，Lect。注释计算。科学。5590、481--492（2009年；Zbl 1245.62076）
全文： 内政部

参考文献：

[1] Langley，P.，Iba，W.，Thompson，K.：贝叶斯分类器分析。摘自：第十届全国人工智能会议，第223-228页。AAAI出版社，门罗公园（1992）
[2] 杜达，R.O.，哈特，P.E.：模式分类和场景分析。约翰·威利父子公司，奇切斯特（1973）·Zbl 0277.68056号
[3] Domingos，P.，Pazzani，M.：超越独立性：简单贝叶斯分类器的最佳条件。摘自：第13届机器学习国际会议，第105-112页。Morgan Kaufmann，意大利（1996）
[4] Langley，P.，Sage，S.：选择性贝叶斯分类器的归纳。摘自：第十届人工智能不确定性会议，第399-406页。Morgan Kaufmann，旧金山（1994）
[5] Friedman，N.、Geiger，D.、Goldszmidt，M.：贝叶斯网络分类器。J.马赫。学习。 29(2-3), 131–163 (1997) ·Zbl 0892.68077号 ·doi:10.1023/A:1007465528199
[6] Kohavi，R.：《提升Naive-Bayes分类器的准确性：决策树混合》，载于：第二届知识发现和数据挖掘国际会议，第202-207页（1996）
[7] Elkan，C.：促进和朴素贝叶斯学习，技术报告，加州大学圣地亚哥分校计算机科学与工程系（1997）
[8] Webb，G.I.，Boughton，J.R.，Wang，Z.：并非如此天真的贝叶斯：聚合单依赖估计量。J.马赫。学习。 58(1), 5–24 (2005) ·Zbl 1075.68078号 ·doi:10.1007/s10994-005-4258-6
[9] Sahami，M.：学习有限依赖贝叶斯分类器。摘自：第二届数据库知识发现国际会议，第335-338页。AAAI出版社，门罗公园（1996）
[10] Yang，Y.，Korb，K.，Ting，K.-M.，Webb，G.I.：超级父母一个依赖性估计量的集合选择。收录人：Zhang，S.，Jarvis，R.（编辑）AI 2005。LNCS，第3809卷，第102–112页。施普林格，海德堡（2005）·兹比尔1151.68599 ·doi:10.1007/11589990_13
[11] Zheng，F.，Webb，G.I.：分类学习中半有效贝叶斯方法的比较研究。摘自：Simoff，S.J.、Williams，G.J.、Galloway，J.、Kolyshkina，I.（编辑）第四届澳大利亚数据挖掘会议（AusDM 2005），第141-156页。悉尼理工大学（2005）
[12] Zheng，Webb，G.I.：贝叶斯规则的懒惰学习。J.马赫。学习。 41(1), 53–84 (2000) ·Zbl 02180966号 ·doi:10.1023/A:1007613203719
[13] Keogh，E.，Pazzani，M.：学习增强贝叶斯分类器：基于分布和基于分类方法的比较。摘自：第七届国际人工智能与统计研讨会，佛罗里达州，第225-230页（1999年）
[14] Dempster，A.，Laird，N.M.，Rubin，D.B.：通过EM算法从不完整数据获得最大似然。J.R.统计社会服务。B-Stat.方法。 39, 1–38 (1977) ·Zbl 0364.62022号
[15] Langseth，H.，Nielsen，T.D.：使用层次朴素贝叶斯模型进行分类。J.马赫。学习。 63(2), 135–159 (2006) ·Zbl 1110.68130号 ·文件编号：10.1007/s10994-006-6136-2
[16] Lowd，D.，Domingos，P.：概率估计的朴素贝叶斯模型。摘自：第22届机器学习国际会议，第529-536页。ACM，波恩（2005）
[17] Cheeseman，P.，Stutz，J.：贝叶斯分类（AutoClass）：理论和结果。摘自：《知识发现和数据挖掘进展》，第153-180页。AAAI出版社，门罗公园（1996）
[18] Akaike，H.：最小AIC程序的贝叶斯分析。Ann.Inst.统计。数学。30A，9-14（1978年）·Zbl 0441.62007号 ·doi:10.1007/BF02480194
[19] 可从怀卡托大学韦卡官方主页获取的数据集集合，网址：http://www.cs.waikato.ac.nz/ml/weka/
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。