非参数方法确定分类问题基本概率分配

"这篇论文提出了一种非参数方法来确定分类问题的基本概率分配（BPA），这种方法在Dempster-Shafer证据理论（DS理论）的框架下运作，用于不确定性条件下的知识表示和决策。DS理论的应用关键在于BPA的可用性，但如何确定BPA一直是一个挑战。论文中描述的非参数方法处理的是分类问题中的多属性数据集，不依赖于任何特定的概率分布假设，因此具有广泛的适用性。" 在DS理论中，BPA是构建信念函数的基础，它表示证据对各个假设的支持程度。传统的BPA确定方法通常需要对数据分布做出特定假设，如正态分布或均匀分布等，但这可能导致在面对复杂或非典型分布的数据时效果不佳。本文提出的非参数方法则避免了这一限制，它利用训练数据计算每个属性的非参数概率密度函数（PDF），将属性值视为随机变量，并以此作为属性的概率模型。 具体实现过程中，首先，对数据集中的每个样本属性值计算其非参数PDF。这一步骤允许模型适应各种未知的或复杂的分布形态。接着，通过比较测试样本与由训练数据生成的概率模型，构造BPA函数。在证据理论中，如果数据集中存在未观测到的属性值，它们被视为“无知”，即没有足够的信息来支持或否定这些值的可能性。 该方法的优势在于它的灵活性和通用性。由于不需要预先设定概率分布，它可以应用于各种工程应用中，尤其适合处理那些难以用固定分布描述的数据。此外，通过避免过度的证据冲突，这种方法有助于提高数据融合的效率，这对于分类和其他决策任务来说至关重要。 为了验证方法的有效性，论文使用了几种标准的分类问题进行实验，并将结果与现有的分类算法进行了对比。实验结果表明，基于该非参数方法构建的分类器性能与传统算法相当，证明了其在实际应用中的竞争力。 总结来说，这篇研究提出了一种新颖的、适用于分类问题的非参数BPA确定方法，它增强了DS理论在处理不确定性和复杂数据时的能力，为信息融合和决策制定提供了更强大且灵活的工具。