贝叶斯网络参数学习中的连续变量离散化方法研究
本文采用三种不同的方法（分别为等宽法、K均值法、ChiMerge法）对数据集进行离散化，离散后的结果运用Netica构建相应的贝叶斯网络并进行参数学习，最后利用得到的贝叶斯网络进行简单的预测分析。25255
关键词 贝叶斯网络 参数学习 连续变量 离散化
毕业论文设计说明书外文摘要
Title Research on discretization methods of continuous variables of parameter learning in Bayesian network.
Abstract
Bayesian network(BN) is an uncertain knowledge representation medel based on probability and graph theory。It can qualitatively and quantitatively analyze the dependencies between attributes,and do probabilistic reasoning. In parameter learning of Bayesian network,it is usually assumed that all variables are discrete or continuous variables obeying Gaussian distribution,so it is necessary to do the discretization for those variables in reality which disobey the assumptions.
In this paper,we used three different methods(equal width,K-means,ChiMerge)to discrete data set,then the results of discretization were used to construct the corresponding Bayesian network and do parameter leaarnings in Netica.Finally,we used the resulting Bayesian network to do some simple forecast and analisis.
Keywords Bayesian network,Parameter learning,Continuous variables,Discretiza-Tion
目 次
1 引言 1
2 贝叶斯网络概述 2
2.1 贝叶斯网络简介 2
2.2 贝叶斯网络参数学习 7
2.3 贝叶斯网络参数学习的离散化 11
3 数据的离散化 13
3.1 MATLAB简介 13
3.2 所使用的数据集介绍 13
3.3 等宽法离散 14
3.4 K均值法离散 15
3.5 ChiMerge法离散 16
3.6 离散结果分析 17
4 贝叶斯网络的构造和参数学习 18
4.1 Netica简介 18
4.2 等宽法离散结果构建贝叶斯网络 18
4.3 K均值法离散结果构建贝叶斯网络 21
4.4 ChiMerge法离散结果构建贝叶斯网络 25
4.5 结果分析 28
结论 29
致谢 30
参考文献31
1 引言
日常生活中，人们常常依据现有的常识进行推理，例如你看到外面的地板是湿的，可能会认为刚刚下过雨，这种推理通常是不准确的。在科学研究和工程中，不能仅仅依据常理和直觉来判断，需要进行科学合理的推理。
近些年来，随着知识发现（Knowledge Discovery from Database）和数据挖掘（Data Mining）技术的产生和发展，人类处理海量数据并从中提取知识的能力大大增强。知识分为确定知识（Certain Knowledge）和不确定知识（Uncertain Knowledge）。顾名思义，确定知识指的是人类认识清楚并能够准确把握内部关系的知识，这些知识可以利用经典逻辑的产生式系统、演绎系统等进行描述和处理。相反地，不确定知识往往因为其信息不完备、描述模糊或者背景知识不足等原因，人类不能全面科学地了解它，对它的认识存在不确定性。由于自然界的知识存在先天的模糊性和不确定性，同时人类的认识存在局限性，所以实际中人类处理的问题往往是不确定的。贝叶斯网络由于其可以处理不完备的数据，同时可以根据事件的发展进行概率学习、更新网络，对于处理不确定性问题有它独有的优势，因此在多个领域被广为利用。
上一篇：基于视频的视觉显著性方法研究