热线电话:13121318867

登录
首页精彩阅读用于分类规则挖掘的贝叶斯信念构造算法
用于分类规则挖掘的贝叶斯信念构造算法
2016-01-12
收藏

用于分类规则挖掘的贝叶斯信念构造算法

随着数据库技术的广泛应用,各行各业都积累了大量有用数据。这些数据所隐含的内在联系可能就是有价值的知识,如何发现、提取这些知识和规则并加以利用就成了当务之急。数据分析师将会从大量的数据中提取隐含的、未知的、对决策有潜在价值的知识和规则的过程。它包括关联分析、分类、预测、聚类分析和孤立点分析等几个方面。

分类作为数据挖掘的主要内容之一,主要是通过数据分析训练数据样本,产生关于类别的精确描述。这种类别通常由分类规则组成,可以用来对未来的数据进行分类预测,有着广泛的应用前景。对于分类规则的挖掘通常有以下几种方法:决策树方法、贝叶斯方法、人工神经网络方法、粗集方法和遗传算法。不同的算法适用于不同特点的数据。

贝叶斯信念网络说明了联合条件分布,它允许在变量的子集之间定义类条件独立性提供了一种因果关系图形,可以在其上学习并根据学习结果进行分类。它克服了朴素贝叶斯分类方法无法定义变量之间的依赖关系的弱点。

本文首先简单介绍了什么是贝叶斯信念网络,然后介绍了根据样本数据建立贝叶斯信念网络的传统构造算法并提出了“压缩侯选的贝叶斯信念网络构造算法”,它对传统的贝叶斯信念网络构造算法做了许多改进,在不影响其性能的基础上,极大地提高了运算速度,对在大型数据库上运用贝叶斯信念网络进行数据挖掘有极大的现实意义。数据分析师培训

数据分析咨询请扫描二维码

最新资讯
更多
客服在线
立即咨询