论贝叶斯网络的有监督选择

给定一组可能的模型（例如，贝叶斯网络结构）和一个数据样本，在无监督模型选择问题中，任务是选择相对于域联合概率分布最准确的模型。与此相反，在有监督模型选择中，事先已知所选模型未来将用于涉及更“聚焦”预测分布的预测任务。尽管聚焦的预测分布可以通过边缘化从联合概率分布中产生，但在实践中，无监督意义下的最佳模型在有监督领域中未必表现良好。特别地，标准边缘似然得分是无监督任务的准则，尽管也常用于有监督模型选择，但在此类任务中表现不佳。本文通过使用大量公开可用的分类数据集，实证研究了边缘似然得分在有监督贝叶斯网络选择任务中的性能，并将结果与通过替代模型选择准则（包括经验交叉验证方法、一种有监督边缘似然度量的近似，以及 Dawid 的预贯（预测序贯）原则的有监督版本）获得的结果进行比较。结果表明，边缘似然得分在有监督模型选择中表现不佳，而使用 Dawid 的预贯方法获得了最佳结果。