基于貝葉斯網(wǎng)絡(luò)的分類算法研究及其在CRM中的應(yīng)用.pdf

1、分類號——UDC密緝學(xué)校代碼!Q壘2Z武潭理歹大署學(xué)位論文題目基土星吐塹圈縫盟金塞簋洼塑窺壟甚在￡必主鮑廛旦一英文ResearchonclassificationalgorithmsbasedOnBayesian題目塾曼壘型Q鱧堡塹魚i!墨鯉li曼塹iQ壁i塾魚曼￡B叢一研究生姓名羞鲞指導(dǎo)教師姓名——型至—一職稱—j蛆絲壘一學(xué)位——石絲單位名稱鹽簋墊壁堂墨撞盔堂瞳郵編璽QQ2Q姓名——職稱副指導(dǎo)教師單位名稱——郵編——申請學(xué)位級別塑學(xué)科

2、專業(yè)名稱鹽簋墊廛旦墊盔論文提交日期2Q!!生壘月論文答辯日期2Ql!生量旦學(xué)位授予單位武這理王太堂學(xué)位授予日期——答辯委員會主席摹一幺罵弋一評閱人』致皇L————二魚盤堡甚2011年4月摘要從數(shù)據(jù)挖掘的角度上看，分類問題就是要建立相應(yīng)的分類模型或者分類規(guī)則，使用構(gòu)建好的分類模型將未知分類的樣本映射到某一個類中。貝葉斯分類法以其堅實的理論基礎(chǔ)和良好的分類性能受到研究人員的青睞。樸素貝葉斯分類的改進(jìn)算法和貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)是貝葉斯分類研究

3、的兩個方面。本文的重點在于前者。貝葉斯分類就是要在假設(shè)空間內(nèi)尋找具有最大后驗概率的類，將未分類的樣本歸到這個類中。樸素貝葉斯分類器(NadeBayesianNB)是一個經(jīng)典的貝葉斯分類器。NB基于所有的屬性是條件獨(dú)立的。在屬性相關(guān)性較弱的情況下，NB具有同決策對，神經(jīng)網(wǎng)絡(luò)相當(dāng)?shù)姆诸愋阅?。在實際NB其嚴(yán)格的條件約束性不能反映屬性間的關(guān)聯(lián)性，降低了它的分類精度。許多改進(jìn)算法是基于放松其條件約束性這一思想的。TAN的每個結(jié)點除了類結(jié)點作為其父

4、結(jié)點外，還允許至多一個非類結(jié)點作為其父結(jié)點。TAN在許多樣本集上具有優(yōu)于NB的分類性能。每個屬性對分類的影響程度是不同的，那么如何表示不同的影響呢屬性相關(guān)性可以度量屬性間的關(guān)聯(lián)性。本文介紹了多種不同的相關(guān)性分析法。屬性相關(guān)性有多種應(yīng)用，如基于屬性相關(guān)性的屬性約簡，基于屬性相關(guān)性的加權(quán)模型，基于于屬性相關(guān)性的屬性分組。本文在介紹完屬性相關(guān)性分析法后，描述了基于這些分析法的加權(quán)模型。屬性關(guān)聯(lián)性分析的另一個應(yīng)用是屬性分組。將所有的屬性根據(jù)一定

5、的度量標(biāo)準(zhǔn)將它們劃分成強(qiáng)屬性集和弱屬性集。強(qiáng)屬性集中的屬性對分類影響較大，相對的弱屬性集中的屬性對影響程度較小?；诓煌南嚓P(guān)性定義產(chǎn)生了多種不同的劃分標(biāo)準(zhǔn)。本文在介紹了幾種強(qiáng)屬性的選擇法后，提出了自適應(yīng)的選擇法，基思想是通過不斷的調(diào)整嘗試多種劃分最后選擇具有最好分類性能的劃分。另外，在強(qiáng)屬性選擇的基礎(chǔ)上，提出了在不同的屬性集上使用不同的分類算法的混合貝葉斯分類模型。該模型首先使用自適應(yīng)強(qiáng)屬性選擇方法劃分強(qiáng)屬性集和弱屬性集，然后對強(qiáng)屬性