基于回歸分析的馬爾科夫毯學習算法研究及其應用.pdf

1、特征選擇是數(shù)據(jù)挖掘和機器學習領域的重要研究部分，是從特征集合中選擇相關的特征，并剔除不相關特征和冗余特征。特征選擇可以有效減少問題求解中的變量，解決“維度災難”的問題。
　　貝葉斯網(wǎng)絡是將概率論與圖論相結合，定性和定量的描述數(shù)據(jù)倉庫中變量之間關系的模型。貝葉斯網(wǎng)絡中一個變量的馬爾科夫毯包括該變量的父結點、子結點和配偶結點(子結點的父結點)。一個變量的馬爾科夫毯可以屏蔽網(wǎng)絡中其它變量對該變量的影響。
　　本文首先介紹了馬爾科夫

2、毯學習算法的研究現(xiàn)狀，部分算法中存在著包含錯誤冗余結點的問題。回歸分析是確定變量之間相關關系的統(tǒng)計分析方法，通過假設檢驗，剔除與因變量相關性弱及不相關的變量。將馬爾科夫毯學習算法和回歸分析相結合，剔除候選馬爾科夫毯中與目標變量相關性弱和不相關的變量，并利用條件獨立測試返回最終的馬爾科夫毯。將該方法在經(jīng)典網(wǎng)絡上的實驗結果與已有的馬爾科夫毯學習算法進行比較，表明了該方法的有效性和可靠性。
　　股市的行業(yè)板塊間具有很強的相關性，而房地產(chǎn)