基于条件互信息和概率突跳机制的贝叶斯网络结构学习算法

贝叶斯网络分类器的精确构造是np难问题,使用k2算法可以有效地缩减搜索空间,提高学习效率。然而k2算法需要初始的节点次序作为输入,这在缺少先验信息的情况下很难确定；另一方面,k2算法采用贪婪的搜索策略,容易陷入局部最优解。提出了一种基于条件互信息和概率突跳机制的贝叶斯网络结构学习算法(cmi-pk2算法),该算法首先利用条件互信息生成有效的节点次序作为k2算法的输入,然后利用概率突跳机制改进k2算法的搜索过程来提高算法的全局寻优能力,学习较为理想的网络结构。在两个基准网络asia和alarm上进行了实验验证,结果表明cmi-pk2算法具有更高的分类精度和数据拟合程度。