سال انتشار: ۱۳۹۱

محل انتشار: چهارمین کنفرانس مهندسی برق و الکترونیک ایران

تعداد صفحات: ۶

نویسنده(ها):

رضا مرتضی پور – دانشگاه آزاد اسلامی واحد زنجان گروه ارشد نرم افزار، زنجان، ایران
مهسان مطلق زاده – دانشگاه آزاد اسلامی واحد لاهیجان گروه کارشناسی نرم افزار، گیلان، ای

چکیده:

این مقاله یادگیری طبقه بندی ها (Classifier) بر اساس شبکه های بیزین را نشان می دهد. طبقه بندی مشخص کردن برچسب (Label) کلاس برای نمونه ها بر اساس مجموعه ای از ویژگی ها است. ما الگوریتم هایی را برای یادگیری ۴ نوع از طبقه بندی های (Calssifier) شبکه بیزین بیان می کنیم. طبقه بندی هایی که برای یادگیری از الگوریتم هایی بر اساس CL(Conditional Dependency) استفاده می کنند، قابل رقابت با بهترین طبقه بندی های شناخته شده هستند. زمان محاسباتی برای یادگیری و استفاده از این نوع طبقه بندی ها نسبتاً کم است و سزاوار توجه بیشتر در داده کاوی و یادگیری ماشین است. همچنین ساختار جدیدی به نام Partial Bayesian Network را بیان می کنیم که مقایسه کارایی PBN با TAN و Naive-Bayer نشان می دهد که PBN بهتر از بقیه در مسائل یکسان عمل می کند. ۴ نوع طبقه بندی های شبکه بیز عبارتند از: Naive-Bayes, Tree Augmented Naive-Bayes (TAN), Bayesian Network Augmented Naive Bayes (BAN), General Bayesian Netwke (GBN)