基奇PCA的貝葉斯網(wǎng)絡(luò)分糞器研究

對所用的貝葉斯網(wǎng)絡(luò)學習算法進行CI測試，最壞情況下的時間復雜度為O(N4)。由表2可知，采用PCA降維后，算法所用時間約占原構(gòu)造算法時間的34．58％，貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的學習效率有所提高。
經(jīng)PCA降維，IRIS數(shù)據(jù)集的屬性由4個減少為3個；ZooData的屬性由18個減少到12個；Glass Identification Data的屬性由11個減少為8個。屬性數(shù)量的減少使得網(wǎng)絡(luò)結(jié)構(gòu)更為簡單，并且由表2可以看出，經(jīng)PCA降維后進行分類的結(jié)果準確率不低于不經(jīng)過降維直接由數(shù)據(jù)集學習得到的貝葉斯網(wǎng)絡(luò)分類結(jié)果的準確率。
經(jīng)PCA降維后的網(wǎng)絡(luò)結(jié)構(gòu)如圖1～圖3所示。

用圖1中的結(jié)點V4、圖2中的結(jié)點F13及圖3中的結(jié)點F8是類別標簽結(jié)點，其余結(jié)點為原數(shù)據(jù)結(jié)點的線性變換，無實際意義。實驗2用經(jīng)過PCA降維后數(shù)據(jù)構(gòu)造的貝葉斯網(wǎng)絡(luò)器(BN)與樸素貝葉斯(NB)分類器、TAN分類器分類對以上3組數(shù)據(jù)進行分類。分類準確率的比較如表3所示。

由實驗1可知，使用PCA降維后構(gòu)造的貝葉斯網(wǎng)絡(luò)與未使用降維數(shù)據(jù)學習得到的網(wǎng)絡(luò)分類結(jié)果正確率相差不大，而這樣構(gòu)造的網(wǎng)絡(luò)分類結(jié)果比其他分類器正確率高很多，同時使用降維后數(shù)據(jù)構(gòu)造的網(wǎng)絡(luò)還具有結(jié)點少、結(jié)構(gòu)簡單、學習效率高等優(yōu)點。

5 結(jié)束語
基于貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習中依賴分析方法需進行指數(shù)級的CI測試因而存在結(jié)點集較大時計算效率低的缺點，提出了將數(shù)據(jù)集先經(jīng)過PCA主元分析的方法降維。減少結(jié)點數(shù)，再用降維后的數(shù)據(jù)進行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習的方法，提高了網(wǎng)絡(luò)結(jié)構(gòu)學習的效率，并通過提高學習到的網(wǎng)絡(luò)結(jié)構(gòu)的正確性保證了較好的分類結(jié)果。此外。構(gòu)建的網(wǎng)絡(luò)還具有結(jié)點少、結(jié)構(gòu)簡單的特點，減少了網(wǎng)絡(luò)的復雜性。