32、判别性偏差学习：提升概率子句决策图的分类性能

判别性偏差学习：提升概率子句决策图的分类性能

1. 实验设置

在机器学习领域，尤其是针对资源受限的嵌入式设备，概率子句决策图（PSDDs）作为一种生成式模型，因其在表达力和可处理性之间的平衡而备受关注。为了进一步提升PSDDs在分类任务中的性能，研究者们引入了判别性偏差学习方法（D-LearnPSDD），旨在结合生成式和判别式模型的优点。本文将介绍这一方法的实验设置，并展示其在多个标准机器学习基准测试集上的性能。

1.1 数据集选择

实验选择了15个标准机器学习基准测试集，涵盖了不同的应用场景。每个数据集的特征数量、类别数量以及可用的训练样本数量如表1所示。所有数据集均来自UCI机器学习库，除了“Mofn”和“Corral”。

数据集	特征数量	类别数量	训练样本数量
澳大利亚	40	2	690
乳腺	28	2	683
国际象棋	39	2	3196
克利夫	25