Learning Bayesian Networks: Search Methods and Experimental Results
Learning Bayesian Networks: Search Methods and Experimental Results
复制标题
DOI：
--
复制
发表时间：
1995
期刊：
影响因子：
--
通讯作者：
M. Chickering;D. Geiger;D. Heckerman
中科院分区：
文献类型：
--
作者：
M. Chickering;D. Geiger;D. Heckerman
我们讨论从数据中学习贝叶斯网络的贝叶斯方法。首先，我们回顾了Heckerman等人（1994 a，B，c）提出的一种用于计算给定数据的网络结构的相对后验概率的度量。我们看到，该度量具有一个用于从数据中推断因果关系的属性。接下来，我们描述用于识别具有高后验概率的网络结构的搜索方法。我们描述了多项式算法（cid：12）nding最高得分的网络结构的特殊情况下，每个节点最多有k = 1的父母。我们表明，一般情况下（k > 1）是NP难的，并审查启发式搜索算法在这种情况下。最后，我们描述了一种评估学习算法的方法，并使用这种方法来评估各种评分指标和搜索程序。
We discuss Bayesian approaches for learning Bayesian networks from data. First, we review a metric for computing the relative posterior probability of a network structure given data developed by Heckerman et al. (1994a,b,c). We see that the metric has a property useful for inferring causation from data. Next, we describe search methods for identifying network structures with high posterior probabilities. We describe polynomial algorithms for (cid:12)nding the highest-scoring network structures in the special case where every node has at most k = 1 parent. We show that the general case (k > 1) is NP-hard, and review heuristic search algorithms for this general case. Finally, we describe a methodology for evaluating learning algorithms, and use this methodology to evaluate various scoring metrics and search procedures.