混合多元回归模型比较及贝叶斯网络模型改进---毕业论文

《混合多元回归模型比较及贝叶斯网络模型改进---毕业论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、本科毕业论文混合多元回归模型比较及贝叶斯网络模型改进ComparisonsofCombiningMultivariateRegressionModelsandImprovementofBayesianNetworkModel姓名：学号：学　　院：软件学院系：软件工程专业：软件工程年级：指导教师：　年月VIII摘要预测回归问题在数据挖掘、模式识别、机器学习中一直是一个活跃的研究领域。正确有效地预测未知结果是回归预测研究的中心。由于每个目标数据集都有着各自不同的数据特点，单一的学习模型很难给出高效准确的回归表

2、达式和预测结果，故混合学习模型正试图解决此类问题，成为当前数据挖掘和机器学习的研究热点之一。本文首先介绍了已有的多种混合多元回归学习模型，包括BEM模型，GEM模型，LR及LRC模型，PCR模型和M5P模型,简要地指明各模型的特点及缺点。接下来介绍贝叶斯网络分类模型。由于20世纪80年代提出的贝叶斯网络，是一种不确定条件下的知识表达和推理工具，拥有其它数据挖掘工具所不具备的优势。利用贝叶斯网络对于事件或者属性间不确定性关系进行建模和推理，在商业智能、医学诊断、自然语言理解、故障诊断、启发式搜索、图像解释以

3、及目标识别等领域产生了很多成功的应用。为了进一步提高其性能并拓展其应用领域，本论文提出了改进模型——基于贝叶斯网络的回归树学习模型。该方法主要思想是：首先根据误差度选择最佳测试；接下来，减小噪声影响，得出因变量y的回归估计函数；最终，对离散属性和连续属性采取不同的处理方式，基于分而治之的原则构造决策树，以朴素贝叶斯取代叶节点。随后，在2个UCI机器学习数据集上对以上模型进行实证对比验证。实验表明改进模型的性能良好，能有效减小预测误差。关键词：混合多元回归；学习模型；贝叶斯VIIIAbstractThepr

4、oblemsrelatedtopredictionandregressionhavebeenbeinganactiveresearchfieldindatamining,patternrecognition,machinelearning.Thepointofpredictionandregressionistopredictunbeknownresulteffectivelyandcorrectly.Sinceeachtargetdatasethasitsowncharacteristicsofthed

5、ata,itisdifficultforanysinglelearningmodeltomeettheanticipativeperformanceintermsofaccurateexpressionregressionandestimatedresults.Thosecombininglearningmodelsthathavebeendesignedtosolvesuchproblemsbecomeoneofhotspotsintheresearchfordataminingandmachinele

6、arning.Avarietyofcombiningmultipleregressionlearningmodelsaretobeintroducedinthefirstpartofthisarticle,includingtheBEMmodel,GEMmodel,LRandLRCmodel,PCRmodelandM5Pmodel，thenbrieflypointoutthecharacteristicsandshortcomingsofeachmodel.Next,theNativeBayesianNe

7、tworkClassifiermodelistobetakenintodiscussion.Itisakindoftoolproposedin1980sforknowledgerepresentationandratiocinationundertheconditionsofuncertainty.AndBayesiannetworkpossessesitsuniqueadvantagesthatotherdataminingtoolsarenotcomparable.Themodelingandreas

8、oningforuncertainrelationshipbetweeneventsoramongattributesbasedontheBayesiannetworkhasbeensuccessfullyappliedinlotsoffields,suchasbusinessintelligence，medicaldiagnosis，naturallanguageunderstanding,faultdiagnosis,he