(GAM), and Weight Of Evidence will be discussed.

三、 结论

经过相关文献的查阅，资料的收集之后，对贝叶斯分类法有了整体的认识，对研究思路有了清晰的把握。通过资料分析贝叶斯的基本理论和内涵，深入的分析和研究基于最小错误率的贝叶斯决策和基于最小风险的贝叶斯决策，将这两种决策理论融合再一起，形成更具实用性的决策理论，从而对事物进行更科学的分析这就是本论文的切入点，对现有资料提出可行性观点加以完善。并结合论文实际作出相应的结论，使得这种方法更优化的适用于决策分析。

四、 参考文献

[1]  李德毅.知识表示中的不确定性[J].中国工程科学.2000.2(10): 73-79.

[2]  边肇祺.模式识别[M].清华大学出版社.2002.

[3]  蔡自兴.智能控制[M].电子工业出版社.2004.

[4]  杨书莹.模式识别于智能计算[M].电子工业出版社.2011.

[5]  李士勇.模糊控制•神经控制和智能控制论[M].哈尔滨工业大学出版社.1996.

[6]  陆建江,张亚非,宋自林.模糊关联规则的研究与应用[M].北京:科学出版社.2008.

[7]  西奥多里蒂斯.模式识别[M].电子工业出版社.2010.

[8]  福永圭.统计图形识别导论.科学出版社.1978.

[9]  王国宏,毛士艺,何友,等.先验概率和代价函数均模糊时基于贝叶斯最小风险准则的分布决策融合[J].电子学报,1999.27(12): 35-38.

[10] 韩家炜.数据挖掘概念与技术[M].机械工业出版社.2004.200-204.

[11] 雷蕾,吴乃君,刘鹏,刘兰娟.灵敏度分析:分析器中的缺失数据.管理学报第2卷增刊,VOL.2,SUP.Ⅱ,Sep 2005,pp. 153-157.

[12] Nir Friedman, Dan Geiger, Moises Goldszmidt. Bayesian Network Classifiers. Machine Leaning,1997,29: 131-163.

[13] Pedro Domingos , Michael Pazzani .On the Optimality of the Simple Bayesian Classifier under Zero-One Loss Machine Leaning,1997,29: 103-130.

[14] Ying Yang , Geoffrey I. Webb .A Comparative Study of Discretization Methods for Naive-Bayes Classifiers .The 2002 Pacific Rim  Knowledge Acquisition Workshop, Tokyo, Japan,  pp. 159-173. 

[15] Jesus Cerquides and Ramom Lopez de Mantaras .The Indifferent Naive Bayes Classifier. American Assocation for Artificial Intelligence.2003.341-345.

[16] Kim Lersen. Generalized Naive Bayes Classifiers .SIGKDD Explorations ,Volume 7,Issue 1: 76-81.    

[17] Jiang Su, Harry Zhang. Full Bayesian Network Classifiers Proceedings of the 23rd international conference on Machine leaning Vol.148 2006 pages: 879-904.