多组图贝叶斯分类模型导论

　　《多组图贝叶斯分类模型导论》总结了笔者几年内的新研究成果，介绍了一种新的分类模型框架——多组图贝叶斯分类框架。该框架基于贝叶斯统计理论，结合高维数据的特殊性，将特征分为四组，前两组为冗余和噪音维，它们均与分类信息无关，后两组为预测维，参与预测分类，其中第三组特征之间相互独立而第四组特征之间树状相关。这种分组方式能够极大的简化计算，并完整的覆盖各种数据模式。《多组图贝叶斯分类模型导论》根据贝叶斯定理，从理论上推导了多组图贝叶斯分类框架的各种性质，证明了该框架不需要进行数据预处理，就能够自动过滤噪音和冗余属性并同时完成回归或分类预测。其次，基于多组图贝叶斯分类框架，以多项式分布和狄利克雷分布为基础假设，介绍了一种新的组图贝叶斯分类模型，结合原始框架的预测流程和基本属性推导了该模型各个分组的似然函数和基本性质，建立并证明了模型结构学习和推理的理论体系，并针对缺失数据探讨了处理策略及对应的定理公式变形。再次，根据组图贝叶斯分类模型的特殊性质。通过4个原子操作构建了6个基本的采样操作，并设计了一种特殊的采样步骤，从理论上证明了通过11个操作序列能够保证算法收敛至理论解。最后，《多组图贝叶斯分类模型导论》给出了一系列仿真实验和真实数据，向读者展示了组图贝叶斯分类模型的强大性能。并通过在民用和军用两个方面的具体应用，展示了组图贝叶斯分类模型既能够作为预处理模型实现降维。也能够作为预测模型做出最终的分类，而且其独特的分组结构能够直接反映各个维度之间的相互关系，非常适合辅助人们更加深刻的理解当前数据，具有广阔的应用前景。

暂缺《多组图贝叶斯分类模型导论》作者简介

第一章 绪论

1．1 基本概念

1．2 贝叶斯分类模型简介

1．2．1 基于概率的分类方法

1．2．2 其他分类方法

1．2．3 经典方法的不足

第二章 贝叶斯理论基础简介

2．1 概率论基础

2．1．1 随机事件与随机变量

2．1．2 概率的解释

2．1．3 多元概率分布

2．1．4 概率论与人工智能

2．1．5 信息论基础

2．2 贝叶斯网络基础

2．2．1 不确定性推理与联合概率分布

2．2．2 条件独立与联合分布的分解

2．2．3 贝叶斯网的概念

2．2．4 贝叶斯网的构造

2．3 随机采样简介

2．3．1 基本采样算法

2．3．2 马尔科夫链蒙特卡洛

第三章 多组图贝叶斯分类框架

3．1 多组图分类模型的基本结构

3．2 组图分类模型的最大参数估计及其缺陷

3．3 组图分类模型的贝叶斯估计

3．4 组图贝叶斯模型的完整性

3．5 简化组图贝叶斯模型

3．6 本章小结

第四章 组图贝叶斯分类模型的假设与性质

4．1 多项式分布和狄利克雷分布的简介

4．1．1 多项式分布

4．1．2 狄利克雷分布

4．2 模型的基础假设

4．3 模型的性质

4．4 不完整数据策略

4．5 本章小结

第五章 组图贝叶斯分类模型的学习与推断

5．1 Metropolis-Hasting采样

5．2 组图模型采样算法

5．2．1 原子操作

5．2．2 采样操作

5．2．3 采样算法

5．3 平衡性分析

5．4 模型推理

5．5 本章小结

第六章 实验分析与应用

6．1 仿真数据集

6．1．1 树状结构

6．1．2 网状结构

6．1．3 无明显结构

6．1．4 异构混合结构

6．2 真实数据集

6．3 应用案例

6．3．1 药靶预测

6．3．2 态势识别中的队形确定

6．4 本章小结

第七章 后记

参考文献