Eindeutige Abhängigkeitsschätzung(ODE) Die eindeutige Abhängigkeitsschätzung ist die am häufigsten verwendete Strategie für seminaive Bayes-Klassifikatoren. Bei der sogenannten eindeutigen Abhängigkeit geht man davon aus, dass jedes Attribut von höchstens einem anderen Attribut außerhalb der Kategorie abhängt.

Bedingte Wahrscheinlichkeit der Naive-Bayes-Klasse:

Klassenbedingte Wahrscheinlichkeit bei unabhängiger Abhängigkeitsschätzung:

Darunter,_ich Für Attribut x_ich Das Attribut, von dem es abhängt, heißt x_ich Die übergeordnete Eigenschaft von . Für jedes Attribut kann, wenn das übergeordnete Attribut bekannt ist, eine mathematische Methode verwendet werden, um den Wahrscheinlichkeitswert P ( x_ich | c, pa_ich ) .

Klassifizierung eindeutiger Abhängigkeitsschätzungen

Es gibt drei Hauptmethoden zur Implementierung einer unabhängigen Abhängigkeitsschätzung:

1) SPODE (Super-parent Dependency Estimation) geht davon aus, dass alle Attribute vom selben Attribut abhängen, das als „Super-Parent“ bezeichnet wird, und bestimmt dann das Super-Parent-Attribut durch Modellmethoden wie Kreuzvalidierung.

2) TAN (Tree Augmented naive Bayes) erstellt Abhängigkeiten basierend auf dem maximal gewichteten Spannbaumalgorithmus.

3) AODE (Average Independent Dependence Estimation) versucht, SPOE mit jedem Attribut als Super-Parent zu konstruieren, integriert die Ergebnisse und ähnelt Naive Bayes, ohne dass eine Modellauswahl erforderlich ist, und zählt die Stichproben, die die Bedingungen erfüllen.

Verwandte Begriffe: semi-naiver Bayes-Klassifikator, Super-Parent-Attribut.