机读格式显示(MARC)

• 000 01743nam0 2200289 450

• 001 0000752325

• 005 20200414130900.0

• 010 __ |a 978-7-5673-0533-5 |d CNY36.00

• 100 __ |a 20191119d2019 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 430000

• 105 __ |a y a 000yy

• 106 __ |a r

• 200 1_ |a 多组图贝叶斯分类模型导论 |A duo zu tu bei ye si fen lei mo xing dao lun |d = An introduction to multi-grouped graph Bayesian classification model |f 冯旸赫 ... [等] 著 |z eng

• 210 __ |a 长沙 |c 国防科技大学出版社 |d 2019

• 215 __ |a 194页 |d 24cm

• 304 __ |a 题名页题其余责任者: 王涛, 孙博良, 王腾蛟, 陈超

• 314 __ |a 冯旸赫, 博士, 现任国防科技大学信息系统工程重点实验室讲师, “指挥控制组织设计与优化”教育部科技创新团队骨干成员。

• 320 __ |a 有书目 (第183-194页)

• 330 __ |a 本书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。本书根据贝叶斯定理, 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。

• 510 1_ |a Introduction to multi-grouped graph Bayesian classification model |z eng

• 606 0_ |a 贝叶斯推断 |A bei ye si tui duan |x 研究

• 690 __ |a O212 |v 5

• 701 _0 |a 冯旸赫 |A feng yang he |4 著

• 801 _0 |a CN |b HDUL |c 20200414

• 905 __ |a HDUL |d O212/364

• 920 __ |a 233030 |z 1