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

1、分類(lèi)號(hào)——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(yú)i!墨鯉li曼塹iQ壁i塾魚(yú)曼￡B叢一研究生姓名羞鲞指導(dǎo)教師姓名——型至—一職稱(chēng)—j蛆絲壘一學(xué)位——石絲單位名稱(chēng)鹽簋墊壁堂墨撞盔堂瞳郵編璽QQ2Q姓名——職稱(chēng)副指導(dǎo)教師單位名稱(chēng)——郵編——申請(qǐng)學(xué)位級(jí)別塑學(xué)科

2、專(zhuān)業(yè)名稱(chēng)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(huì)主席摹一幺罵弋一評(píng)閱人』致皇L————二魚(yú)盤(pán)堡甚2011年4月摘要從數(shù)據(jù)挖掘的角度上看，分類(lèi)問(wèn)題就是要建立相應(yīng)的分類(lèi)模型或者分類(lèi)規(guī)則，使用構(gòu)建好的分類(lèi)模型將未知分類(lèi)的樣本映射到某一個(gè)類(lèi)中。貝葉斯分類(lèi)法以其堅(jiān)實(shí)的理論基礎(chǔ)和良好的分類(lèi)性能受到研究人員的青睞。樸素貝葉斯分類(lèi)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(lèi)研究

3、的兩個(gè)方面。本文的重點(diǎn)在于前者。貝葉斯分類(lèi)就是要在假設(shè)空間內(nèi)尋找具有最大后驗(yàn)概率的類(lèi)，將未分類(lèi)的樣本歸到這個(gè)類(lèi)中。樸素貝葉斯分類(lèi)器(NadeBayesianNB)是一個(gè)經(jīng)典的貝葉斯分類(lèi)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(duì)，神經(jīng)網(wǎng)絡(luò)相當(dāng)?shù)姆诸?lèi)性能。在實(shí)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(lèi)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(gè)結(jié)點(diǎn)除了類(lèi)結(jié)點(diǎn)作為其父

4、結(jié)點(diǎn)外，還允許至多一個(gè)非類(lèi)結(jié)點(diǎn)作為其父結(jié)點(diǎn)。TAN在許多樣本集上具有優(yōu)于NB的分類(lèi)性能。每個(gè)屬性對(duì)分類(lèi)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(jiǎn)，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(gè)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(duì)分類(lèi)影響較大，相對(duì)的弱屬性集中的屬性對(duì)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(guò)不斷的調(diào)整嘗試多種劃分最后選擇具有最好分類(lèi)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(lèi)算法的混合貝葉斯分類(lèi)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(duì)強(qiáng)屬性