Bayesian classifiers such as Naive

Bayesian classifiers such as Naive Bayes or Tree Augmented Naive
Bayes (TAN) have shown excellent performance given their simplicity and
heavy underlying independence assumptions. In this paper we prove that
under suitable conditions it is possible to calculate efficiently the maximum
a posterior TAN model. Furthermore, we prove that it is also possible
to calculate a weighted set with the k maximum a posteriori TAN
models. This allows efficient TAN ensemble learning and accounting for
model uncertainty. These results can be used to construct two classifiers.
Both classifiers have the advantage of allowing the introduction of prior
knowledge about structure or parameters into the learning process. Empirical
results show that both classifiers lead to an improvement in error
rate and accuracy of the predicted class probabilities over established TAN
based classifiers with equivalent complexity.
Keywords: Bayesian networks, Bayesian network classifiers, Naive
Bayes, decomposable distributions, Bayesian model averaging.

ผลลัพธ์ (ไทย) 1:

คำนามภาษาทฤษฎีเช่น Naive Bayes หรือต้นไม้ออกเมนต์ NaiveBayes (ตาล) ได้แสดงให้เห็นประสิทธิภาพที่ดีเยี่ยมให้ความเรียบง่ายของพวกเขา และหนักแบบอิสระสมมติฐาน ในเอกสารนี้ เราพิสูจน์ที่ภายใต้เงื่อนไขที่เหมาะสม ก็สามารถคำนวณได้อย่างมีประสิทธิภาพสูงสุดหลัง TAN แบบ นอกจากนี้ เราพิสูจน์ว่า มันเป็นไปได้การคำนวณชุดถ่วงน้ำหนักสูงสุด k posteriori เป็นตันรูปแบบจำลอง นี้ช่วยให้วงดนตรี TAN มีประสิทธิภาพการเรียนรู้ และการบัญชีสำหรับความไม่แน่นอนของแบบจำลอง ผลลัพธ์เหล่านี้สามารถใช้เพื่อสร้างคำนามภาษาที่สองคำนามภาษาทั้งสองมีข้อดีช่วยแนะนำก่อนความรู้เกี่ยวกับโครงสร้างหรือพารามิเตอร์ในกระบวนการเรียนรู้ ประจักษ์ผลลัพธ์แสดงว่า คำนามภาษาทั้งสองนำไปสู่การปรับปรุงข้อผิดพลาดอัตราความถูกต้องของกิจกรรมระดับคาดการณ์กว่าตาลขึ้นคำนามภาษาขึ้นอยู่กับความซับซ้อนที่เทียบเท่าคำสำคัญ: ทฤษฎีเครือข่าย คำนามภาษาเครือข่ายทฤษฎี NaiveBayes, decomposable กระจาย ทฤษฎีแบบหาค่าเฉลี่ย

ผลลัพธ์ (ไทย) 2:

ลักษณนาม Bayesian เช่น Naive Bayes ต้นไม้หรือ Augmented Naive
Bayes (TAN)
ได้แสดงให้เห็นประสิทธิภาพที่ดีเยี่ยมที่ได้รับความเรียบง่ายของพวกเขาและสมมติฐานที่เป็นอิสระภายใต้หนัก ในบทความนี้เราพิสูจน์ให้เห็นว่าภายใต้เงื่อนไขที่เหมาะสมก็เป็นไปได้ในการคำนวณได้อย่างมีประสิทธิภาพสูงสุดรูปแบบหลังตัน นอกจากนี้เราพิสูจน์ให้เห็นว่ายังเป็นไปได้ในการคำนวณชุดถ่วงน้ำหนักกับเคสูงสุด posteriori TAN รุ่น นี้จะช่วยให้การเรียนรู้ที่มีประสิทธิภาพชุด TAN และการบัญชีสำหรับความไม่แน่นอนของรูปแบบ ผลลัพธ์เหล่านี้สามารถนำมาใช้ในการสร้างสองจําแนก. ทั้งสองแยกแยะได้ประโยชน์จากการที่ช่วยให้การแนะนำของก่อนที่ความรู้เกี่ยวกับโครงสร้างหรือพารามิเตอร์ในกระบวนการเรียนรู้ เชิงประจักษ์ผลปรากฏว่าทั้งจําแนกนำไปสู่การปรับปรุงในข้อผิดพลาดอัตราและความถูกต้องของความน่าจะเป็นระดับที่คาดการณ์ไว้ในช่วงการจัดตั้งTAN ตามจําแนกกับความซับซ้อนเทียบเท่า. คำสำคัญ: เครือข่ายคชกรรมแยกแยะเครือข่ายคชกรรม Naive Bayes กระจาย decomposable รุ่นคชกรรมเฉลี่ย

ผลลัพธ์ (ไทย) 3:

คำลักษณนามเช่น Bayes คชกรรมไร้เดียงสาหรือต้นไม้เติมซื่อ
เบย์ ( Tan ) ได้แสดงประสิทธิภาพที่ดีเยี่ยมให้ความ เรียบง่ายและ
หนัก ) ความเป็นอิสระของสมมติฐาน ในกระดาษนี้เราพิสูจน์ได้ว่า ภายใต้ภาวะที่เหมาะสม
มันเป็นไปได้ที่จะคำนวณได้อย่างมีประสิทธิภาพสูงสุด
เป็นด้านหลังแทนรุ่น นอกจากนี้ เราพิสูจน์ว่ามันเป็นไปได้
หาชุดหนักกับ k สูงสุดจากผลไปสู่เหตุ tan
รุ่น นี้จะช่วยให้ประสิทธิภาพ แทนชุดการเรียนรู้และการบัญชี
ความไม่แน่นอนแบบ ผลลัพธ์เหล่านี้สามารถใช้เพื่อสร้างสองคำลักษณนาม
ทั้งสองมีข้อดีของการอนุญาตให้เปิดก่อน
ความรู้เกี่ยวกับโครงสร้างหรือพารามิเตอร์ในกระบวนการการเรียนรู้ เชิงประจักษ์
ผลลัพธ์แสดงให้เห็นว่า คำลักษณนามที่นำไปสู่การพัฒนาในอัตราความผิดพลาด
และความถูกต้องของคาดการณ์ระดับความน่าจะเป็นมากกว่าก่อตั้งขึ้นแทนตามคำที่มีความซับซ้อนเทียบเท่า
.
คำสำคัญ : เครือข่ายคชกรรมเครือข่ายคำเบ ไร้เดียงสา Bayes คชกรรม decomposable
, การแจกแจงแบบเฉลี่ย .