钱冬，王蓓，张涛，王行愚

(1.华东理工大学 信息科学与工程学院，上海 200237； 2.清华大学 自动化系，北京 100086)

结合Copula理论与贝叶斯决策理论的分类算法

钱冬1，王蓓1，张涛2，王行愚1

(1.华东理工大学 信息科学与工程学院，上海 200237； 2.清华大学 自动化系，北京 100086)

摘要：传统的贝叶斯决策分类算法易受类条件概率密度函数估计的影响，可能会对分类结果造成干扰。对此本文提出来一种改进的贝叶斯决策分类算法，即Bayesian-Copula判别分类器(BCDC)。该方法无需对类条件概率密度函数的形式进行假设，而是将Copula理论和核密度估计相结合进行函数构建，利用核密度估计平滑特征的概率分布，概率积分变换将特征的累计概率分布转化为均匀分布，Copula函数构建2个类别的边缘累积分布之间的相关性。随后，用极大似然估计方法确定Copula函数的参数，贝叶斯信息准则(BIC)用于选择最合适的Copula函数。通过生物电信号的仿真实验进行模型验证，结果表明相比传统的概率模型，提出的分类算法在分类精度和AUC两个性能指标上表现较好，鲁棒性更强，说明了BCDC模型充分利用Copula理论和核密度估计的优点，提高了估计的准确性和灵活性。

关键词：机器学习；贝叶斯决策理论；Copula理论；核密度估计；生物电信号

中文引用格式：钱冬，王蓓，张涛，等.结合Copula理论与贝叶斯决策理论的分类算法[J]. 智能系统学报， 2016, 11(1): 78-83.

英文引用格式：QIAN Dong, WANG Bei, ZHANG Tao, et al. Classification algorithm based on Copula theory and Bayesian decision theory[J]. CAAI Transactions on Intelligent Systems, 2016, 11(1): 78-83.

机器学习在人工智能领域的研究中具有十分重要的地位。目前，其应用已遍及人工智能的各个分支，如模式识别、计算机视觉、数据挖掘、医学诊断、自然语言处理等领域[1-6]。……