摘要: 目前,学习具有丢失数据的贝叶斯网络结构主要采用结合EM算法的打分一搜索方法和基于依赖分析的思想,其效率和可靠性比较低。本文针对此问题建立一个新的具有丢失数据的贝叶斯网络结构学习算法。该方法首先根据贝努里分布来表示数据库中变量结点之间的关系,并用Kullback-Leibler(KL)散度来表示同一结点的各个案例之间的相似程度,然后根据Gibbs取样来得出丢失数据的取值。最后,用启发式搜索完成贝叶斯网络结构的学习。该方法能够有效避免标准Gibbg取样的指数复杂性问题和现有学习方法存在的主要问题。
No related articles found! |
|