基于贝叶斯网络的数据挖掘研究

论文摘要

贝叶斯网络是贝叶斯方法与图形理论的有机结合。由于理论上的严格性和一致性,以及有效的局部计算机制和直观的图形化知识表达,贝叶斯网络已经成为人工智能领域的研究热点。本文将贝叶斯网络应用于农业科学领域,对某农场的牛奶产量进行学习与预测,完成了用贝叶斯网络方法进行数据挖掘的整个流程,并将获得的结果与多元线性回归方法得到的结果进行了比较。本文的主要工作和创新之处如下:(1)简要介绍了数据挖掘的概念和相关技术,阐述了贝叶斯网络的基本原理和方法。(2)在数据预处理阶段,采用了作者于2007年3月提出的Chi2变形算法。该算法在保持数据忠实性的同时,将各预测变量的取值离散化,以便于贝叶斯网络方法的应用。(3)在网络结构搜索阶段,采用了带启发规则和随机重启机制的贪心算法。此方法充分利用了领域知识,再结合变量本身的含义制定了五条启发规则,大大减小了搜索空间。带随机重启机制的贪心算法,既保留了贪心算法的简洁特性又克服了其可能陷入局部最优的缺点,获得了可与众多智能搜索算法相媲美的结果。(4)在贝叶斯网络推理获得离散值结果后,为了提高预测的精度,进一步考虑了如何将离散取值还原为连续值得问题,而不是简单的采用相应区间上的中位数。另外,在将两种方法的结果进行比较时,先把原始数据排序得到新的显示序列,避免了散点图的杂乱,使得贝叶斯网络结果的优越性更加显而易见。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 知识发现的相关概念
• 1.1.1 数据、信息与知识
• 1.1.2 知识发现
• 1.2 知识发现的步骤
• 1.3 知识发现的功能
• 1.3.1 数据总结
• 1.3.2 分类
• 1.3.3 聚类
• 1.3.4 相关性分析
• 1.4 知识发现的方法和技术
• 1.4.1 统计方法
• 1.4.2 机器学习的方法
• 1.4.3 神经计算
• 1.4.4 混合算法
• 1.5 论文组织
• 第二章 贝叶斯网络
• 2.1 贝叶斯学习理论
• 2.2 贝叶斯网络的产生、发展和研究现状
• 2.3 贝叶斯网络的定义
• 2.4 贝叶斯网络中的独立关系和因果关系
• 2.4.1 独立关系
• 2.4.2 因果关系
• 2.5 贝叶斯网络的结构模型学习
• 2.5.1 评分函数
• 2.5.2 搜索策略
• 2.6 贝叶斯网络的局部概率学习
• 2.6.1 先验分布的选取
• 2.6.2 局部概率学习的步骤
• 2.7 贝叶斯网络推理
• 2.8 小结
• 第三章 算法及实验过程
• 3.1 实验背景及领域知识
• 3.1.1 实验背景
• 3.1.2 关于牛奶产量的领域知识
• 3.2 实验中的若干关键算法
• 3.2.1 数据预处理阶段的算法
• 3.2.2 网络结构学习阶段的算法
• 3.2.3 局部概率学习阶段的算法
• 3.2.4 运用贝叶斯网络进行推理的算法
• 3.3 实验程序的模块及其功能介绍
• 3.3.1 程序模块及其关系
• 3.3.2 实验环境介绍
• 3.3.3 程序的实现
• 3.4 小结
• 第四章 结果比较与分析
• 4.1 贝叶斯网络学习的结果
• 4.2 多元线性回归分析的结果
• 4.2.1 回归分析简介
• 4.2.2 多元线性回归及其标准输出
• 4.2.3 多元线性回归分析处理本例的结果
• 4.3 两种方法的比较与分析
• 4.4 小结
• 第五章 结束语
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表学术论文情况