李艳颖：贝叶斯网络学习与数据分类方法探索

"贝叶斯网络学习及数据分类研究——李艳颖，西安电子科技大学，指导教师杨有龙教授，2015年9月" 这篇论文深入探讨了贝叶斯网络在数据分类中的应用和学习机制。贝叶斯网络是一种概率图形模型，它通过条件概率来表示随机变量之间的依赖关系，常用于不确定性和不完整信息的处理。在高维数据场景下，网络结构的学习是极具挑战性的，因为涉及到大量的参数估计和结构优化。李艳颖提出了一种混合算法，该算法旨在有效地学习高维贝叶斯网络的结构，这包括对含隐变量和选择变量的网络进行本质图的构建和等价转化问题的研究。 在数据分类问题上，论文构建了一个基于贝叶斯网络的分类器模型。贝叶斯网络分类器利用先验知识和数据，通过学习网络结构和变量条件概率分布来做出决策。这种分类器的优点在于它能够处理复杂的非线性关系，并且在数据稀疏的情况下仍然保持较好的性能。同时，论文还研究了k-最近邻（k-NN）分类器的k值选择问题，k-NN是一种基础且实用的分类方法，其性能很大程度上取决于k值的选择。合适的k值可以平衡模型的复杂度和泛化能力，从而提高分类的准确性。 论文作者李艳颖在西安电子科技大学完成了这项研究，其导师为杨有龙教授，所属学院为数学与统计学院。该研究对于理解贝叶斯网络的理论及其在实际问题中的应用具有重要意义，特别是对于数据分类任务，提供了新的算法和模型，有助于提升分类效果和效率。此外，通过对k-NN分类器的研究，也为机器学习领域的实践者提供了有价值的参考。