机器学习算法-10贝叶斯信念网络、聚类算法、基于密度的方法DBSCAN

贝叶斯信念神经网络

bayes belief network (BNN)，
朴素贝叶斯分类器需要特征之间相互独立的强条件，制约了模型的适用，

用有向无环图表达变量之间的依赖关系，变量用节点表示，依赖关系用边表示，

祖先，父母和后代节点。贝叶斯网络中的一个节点，如果他的父母节点已知，则它条件独立于他的所有非后代节点

每个节点附带一个条件概率表(CPT）,表示该节点和父母节点的联系概率。

分类具有学习能力，
聚类没有学习能力，没有学习集
聚类的依据
1.密度

2距离
根据选定的点距离中心点的距离进行分类，距离较近的一些点倾向于归为同一类，距离交易员的点应归属不同的类，所定义的距离一般满足如下四个条件
d_ij>0,对一切i和j均成立
d_ij=0,当且仅当第i个样本与第j个样本的个变量在相同
d_ij=d_ji
d_ij<=d_ik+d_kj

绝对值距离

d_ij=|x_ik-x_jk|(k从1到p，进行求和)

欧氏距离
马科夫斯基距离
切比雪夫距离
马氏距离
lance距离和Williams距离
离散变量的距离计算