一種蒙特卡羅貝葉斯分類的改進方法.pdf

1、隨著信息技術(shù)的發(fā)展和數(shù)據(jù)庫技術(shù)的廣泛應(yīng)用,人們積累的信息越來越多,如何從海量的信息中提取我們感興趣的知識,是當前社會面臨的一個嚴峻的問題.知識發(fā)現(xiàn)技術(shù)隨時代的發(fā)展應(yīng)運而生<'[2]>,成為目前較熱門的研究課題之一.知識發(fā)現(xiàn)(KDD)能夠從數(shù)據(jù)庫中識別出有效的、新穎的、潛在有用的、以及最終可理解的信息.數(shù)據(jù)挖掘是知識發(fā)現(xiàn)的一個核心環(huán)節(jié)<'[2]>,涉及到數(shù)據(jù)庫、人工智能、數(shù)理統(tǒng)計、可視化、并行計算等領(lǐng)域<'[5]>.分類是數(shù)據(jù)挖掘的一個重

2、要內(nèi)容<'[56]>,它通過構(gòu)造一個分類函數(shù)或分類模型(也常稱作分類器),把數(shù)據(jù)庫中的數(shù)據(jù)項映射到給定類別中的某一個,從而能夠使用該模型來預(yù)測類標號未知的對象類.在眾多的分類方法中,貝葉斯分類以其簡單的結(jié)構(gòu)和良好的性能而備受關(guān)注.與其它分類方法不同,貝葉斯分類建立在堅實的數(shù)理統(tǒng)計知識基礎(chǔ)之上,基于求解后驗概率的貝葉斯定理,理論上講它在滿足其限定條件下是最優(yōu)的.蒙特卡羅是一種采用統(tǒng)計抽樣理論近似求解數(shù)學(xué)或物理問題的方法,它在用于解決貝葉斯

3、分類時,首先根據(jù)已知的先驗概率獲得各個類標號未知類的條件概率分布,然后利用某種抽樣器,分別得到滿足這些條件分布的隨機數(shù)據(jù),最后統(tǒng)計這些隨機數(shù)據(jù),就可以得到各個類標號未知類的后驗概率分布.運行一個特定的馬爾可夫鏈<'[21]>可以容易地獲得滿足某個特定分布的隨機抽樣<'[94]>,所以馬爾可夫鏈蒙特卡羅(MCMC)是最常用的蒙特卡羅貝葉斯分類方法<'[18]>.MCMC可以減少數(shù)據(jù)挖掘中的時間和空間開銷,但對于巨型數(shù)據(jù)集,MCMC在計算方