最大相关最小冗余限定性贝叶斯网络分类器学习算法

朴素贝叶斯分类器(nave bayes)是一种简单而有效的基于贝叶斯思想的分类方法,但它的属性条件独立性假设并不符合实际,影响了它的分类性能。BAN(bayesian network augmented nave bayes)分类器扩展了朴素贝叶斯分类器,使其表示属性之间依赖关系的能力增强,但是其学习算法需要大量的高维计算,在小采样数据集上,影响BAN分类器的分类性能。基于改进的最大相关最小冗余特征选择技术,提出限定性贝叶斯网络分类器学习算法(k-BAN)。本算法使用改进的最大相关最小冗余特征选择技术,通过选择属性结点的连接关系集合建立属性之间的依赖性关系。将该分类方法与NB,TAN和BAN分类器进行实验比较。实验结果表明,在小采样数据集上,本算法获得的限定性贝叶斯网络分类器具有更高的分类准确性。

基于支持向量机的乙酰胆碱酯酶抑制剂的构效关系研究

基于最大相关性-最小冗余性方法(mRMR),对27个乙酰胆碱酯酶(AchE)抑制剂进行了特征变量筛选,获得了14个变量。然后,采用支持向量机回归(SVR)方法研究了这27个化合物的定量构效关系。通过留一法交叉验证进行评估,其平均相对误差MRE=2.72%,均方根误差RMSE=0.273,q^2=0.936。最后,通过敏感性分析发现,特征变量logP与药物活性呈负相关,refractivity和water accessible surface area与药物活性呈正相关。