基奇PCA的贝叶斯网络分粪器研究

点V4、图2中的结点F13及图3中的结点F8是类别标签结点，其余结点为原数据结点的线性变换，无实际意义。实验2用经过PCA降维后数据构造的贝叶斯网络器(BN)与朴素贝叶斯(NB)分类器、TAN分类器分类对以上3组数据进行分类。分类准确率的比较如表3所示。

由实验1可知，使用PCA降维后构造的贝叶斯网络与未使用降维数据学习得到的网络分类结果正确率相差不大，而这样构造的网络分类结果比其他分类器正确率高很多，同时使用降维后数据构造的网络还具有结点少、结构简单、学习效率高等优点。

5 结束语
基于贝叶斯网络结构学习中依赖分析方法需进行指数级的CI测试因而存在结点集较大时计算效率低的缺点，提出了将数据集先经过PCA主元分析的方法降维。减少结点数，再用降维后的数据进行贝叶斯网络结构学习的方法，提高了网络结构学习的效率，并通过提高学习到的网络结构的正确性保证了较好的分类结果。此外。构建的网络还具有结点少、结构简单的特点，减少了网络的复杂性。