吕 昊，林 君，曾晓献

（吉林大学 仪器科学与电气工程学院，吉林 长春 130026）

贝叶斯网络由Pearl在1988年提出，是一种由有向无环图和概率分布集合组成的模型[1－2].利用其构造出的树扩展得到的朴素贝叶斯网络分类器是目前最优秀的分类器之一[2].

贝叶斯网络经常应用于分类问题，学习机试图从一个给定的训练数据集和分类标签中构建一个有效的分类器[3－4].对于固定的贝叶斯网络结构，可以通过两种不同的方法对参数进行学习：生成参数学习、判别参数学习[5].生成参数学习主要优势在于具有较高的效率但分类精度较低.其中一种典型的生成参数学习方法是频率评估算法，这种算法只需要对数据集中的每一个训练实例进行一次遍历就可以得到条件概率表格，在后来的预测实例中只需要直接调用条件概率表格中的数据.判别参数学习方法获得的分类精度较高，但是由于算法经常需要经过多次的反复迭代，计算复杂度较高.

在分类问题中更多以最大化生成精度为目标，为了能够同时兼顾效率和精度，笔者提出一种简单、高效的判别参数学习方法，称为判别频率估计.目的是通过向生成参数学习方法中加入一个判别元素，转化成为一个判别参数学习方法.判别频率估计从数据集中有判别性的计算数据出现的频率，然后通过出现频率的比例来评估参数.大量实验数据表明：该算法在分类精度上要优于其他同类算法，将该算……