贝叶斯网络结构学习的混合算法实验比较
机器学习
2015-08-25 v2 人工智能
机器学习
摘要
我们提出了一种用于贝叶斯网络结构学习的新型混合算法，称为 Hybrid HPC (H2PC)。它首先重建贝叶斯网络的骨架，然后执行贝叶斯评分的贪心爬山搜索以确定边的方向。它基于一个名为 HPC 的子程序，该子程序结合了增量与分治的基于约束方法的思路，以学习目标变量的父节点与子节点。我们在多个具有不同数据规模的基准上，将 H2PC 与当前最强大的贝叶斯网络结构学习前沿算法 Max-Min Hill-Climbing (MMHC) 进行实验比较。我们广泛的实验表明，H2PC 在对于新数据的拟合优度以及网络结构本身的质量（更接近数据的真实依赖结构）两方面均优于 MMHC。H2PC 的源代码（R 语言）以及用于实证测试的所有数据集均公开可用。
引用
@article{arxiv.1505.05004,
title = {An Experimental Comparison of Hybrid Algorithms for Bayesian Network Structure Learning},
author = {Maxime Gasse and Alex Aussem and Haytham Elghazel},
journal= {arXiv preprint arXiv:1505.05004},
year = {2015}
}
备注
arXiv admin note: text overlap with arXiv:1101.5184 by other authors. Lecture notes in computer science, springer, 2012, Machine Learning and Knowledge Discovery in Databases, 7523, pp.58-73