基于属性选择的贝叶斯网络模型在临床缺失数据中的研究与应用

目的利用基于属性选择的贝叶斯网络对缺失的临床数据集进行分类预测。方法首先为每个属性添加一个二元变量指示各属性丢失情况;接着使用基于包装法的遗传因子搜索法对原始的有缺失的临床数据集进行属性选择;最后应用贝叶斯网络对以上优化属性集进行分类并检验分类效果。结果该方法不仅考虑到了丢失的临床信息的价值,也除去了无关和冗余的属性。结论本文提出的方法,分类效果优于直接使用贝叶斯网络模型。

判别贝叶斯网络的CEM学习算法

当数据存在缺值时,通常应用EM算法学习贝叶斯网络.然而,EM算法以联合似然作为目标函数,与判别预测问题的目标相偏离.与EM算法不同,CEM(Conditional Expectation Maximum)算法直接以条件似然作为目标函数.研究了判别贝叶斯网络学习的CEM算法,提出一种使得CEM算法具有单调性和收敛性的Q函数.为了简化计算,在CEM算法的E步,应用Q函数的一种简化形式;在CEM算法的M步,应用梯度下降法的一次搜索结果作为最优值的近似.最后,在UCI数据集上的实验结果表明了CEM算法在判别贝叶斯网络学习中的有效性.