多维贝叶斯网络分类器结构学习算法

？传统多维贝叶斯网络分类器(mbnc)限制其模型结构必须是二分的,通过移除该限制可得到更准确的对关联分布建模的通用mbnc(gmbnc)。基于局部马尔可夫毯的迭代搜索，提出可准确学习gmbnc的算法ipc-gmbnc。该算法由于无需学习全局贝叶斯网络(bn),可扩展性强。基于已知贝叶斯网络模型而随机生成的数据上所执行的实验显示,ipc-gmbnc可有效推导出目标结构；而且与传统的全局结构学习算法pc相比,ipc-gmbnc可节省大量的计算量。