本章继上一章中介绍的基本分类方法后,又介绍了分类的高级方法: 文章目录 贝叶斯网络 后向传播 SVM支持向量机 使用频繁模式分类 惰性学习法 K近邻分类 基于案例的推理 其他分类方法 遗传算法 粗糙集方法 模糊集方法 分类问题 多分类问题 半监督分类 主动学习 迁移学习 贝叶斯网络 在贝叶斯网络中,不强调变量之间的独立性。承认变量或属性间的依赖关系。 在给定的网络拓扑图中,给定概念。 一条弧由节点Y到Z,则Y是Z的双亲或直接前驱,而Z是Y的后代。 给定其双亲,每个变量条件独立于图中它的非后代。 这也说明对于每个变量,应考虑她的双亲节点的所有可能取值的组合情况下,变量取值的概率。 即 P ( Y ∣ P a r e n t s ( Y ) ) P(Y|Parents(Y)) P(Y∣Parents(Y)) 由此给出,每个变量或属性对应的条件概率表CPT。