贝叶斯网络是基于贝叶斯定理的概率统计方法，是表示和处理不确定知识的理想模型。本书从限定贝叶斯网络结构规模的角度出发，对贝叶斯网络分类理论及其应用进行了深入研究，以期提高贝叶斯分类方法的分类性能，扩展其应用领域。作者注重理论在实际中的运用，全书内容包含了作者大量的科研成果，对广大科技人员有重要的参考价值。

贝叶斯网络是基于贝叶斯定理的概率统计方法，是表示和处理不确定知识的理想模型。作为分类知识发现的一种重要方法，贝叶斯分类是贝叶斯学习研究的关键问题之一。本书从限定贝叶斯网络结构规模的角度出发，对贝叶斯网络分类理论及其应用进行了深入研究，以期提高贝叶斯分类方法的分类性能，扩展其应用领域。

本书包含了作者的部分科研成果，对从事知识发现、机器学习、人工智能、计算机科学等研究的科技人员具有重要的参考价值。

第1章 绪 论/1

1.1研究背景/1

1.2贝叶斯网络的研究现状/3

1.2.1贝叶斯网络的学习/4

1.2.2贝叶斯网络推理/6

1.2.3贝叶斯分类方法/6

1.2.4贝叶斯网络的表示能力/8

1.3研究内容及结果/9

第2章 贝叶斯学习理论/12

2.1贝叶斯学习基础/12

2.1.1频率概率和贝叶斯概率/12

2.1.2贝叶斯定理/13

2.2贝叶斯学习理论/14

2.2.1贝叶斯学习的基本过程/14

2.2.2贝叶斯方法的计算学习机制/15

2.3贝叶斯网络及其学习/19

2.3.1贝叶斯网络/19

2.3.2贝叶斯网络的结构学习/22

2.3.3贝叶斯网络的参数学习/31

2.4贝叶斯推理/34

第3章 贝叶斯分类方法/38

3.1贝叶斯最优分类器/38

3.2朴素贝叶斯分类器/40

3.2.1模型简介/40

3.2.2最优性条件/4l

3.2.3朴素贝叶斯分类模型的可学习性/44

3.3贝叶斯网络分类器/47

3.3.1模型简介/47

3.3.2贝叶斯网络的表示能力及分类性能/48

第4章 限定性贝叶斯分类模型/51

4.1引言/51

4.2现有的限定性贝叶斯分类模型/53

4.3限定性双层贝叶斯分类模型：DLBAN/58

4.3.1贝叶斯定理变形公式/58

4.3.2DLBAN模型/60

4.3.3DLBAN模型学习算法/6l

4.3.4算法性能分析/66

4.4实验结果/66

4.5小结/70

第5章 贝叶斯网络分类算法的稳定性/71

5.1引言/71

5.2几种常用分类算法的稳定性/72

5.2.1决策树分类算法/72

5.2.2最近邻分类算法/73

5.2.3朴素贝叶斯分类算法/74

5.3贝叶斯网络稳定性分析/76

5.3.1贝叶斯网络结构稳定性分析/76

5.3.2贝叶斯网络性能稳定性分析/81

5.4分类器分类稳定性度量方法/82

5.4.1基于“一致”的度量方法/83

5.4.2基于方差的度量方法/84

5.5实验结果/86

5.5.1算法和实验数据/86

5.5.2实验结果和分析/88

5.6小结/92

第6章 贝叶斯分类方法的集成/93

6.1研究背景/93

6.2分类器集成方法/96

6.2.1弱分类器/96

6.2.2分类器集成的实现方法/97

6.2.3两种典型的集成技术：Bagging和Boosting/99

6.3TAN学习算法/102

6.3.1典型的TAN学习算法/102

6.3.2调整的TAN学习算法GTAN/104

6.4TAN分类器集成/106

6.4.1基分类器的差异性/106

6.4.2 TAN分类器集成算法/114

6.5实验结果/116

6.6小结/119

第7章 基于贝叶斯网络的词义排歧/121

7.1研究背景/121

7.2问题的描述/124

7.3贝叶斯网络词义排歧框架/127

7.3.1基本分类方法的选择/127

7.3一多分类器的选择/128

7.3.3学习算法/130

7.4实验方法和结果/131

7.4.1词典资源和语料库资源/131

7.4.2从语料库抽取训练数据/131

7.4.3实验结果及分析/134

7.5小结/136

结束语/138

后记/142

参考文献/144