16、网络监督与无监督学习技术解析

网络监督与无监督学习技术解析

1 网络监督学习技术

1.1 k 关联最优网络分类技术

传统上，单一的 k 值会产生大小相近的组件，使得结构和纯度被限制在一个可能的 k 值上。为了更好地表示数据空间，我们可以允许使用多个 k 值。这样，每个类组件可以根据观察到的数据分布来确定最佳的 k 值，从而产生与类相关的组件大小和纯度值。

为了获得最优的 k 关联图，我们从 1 关联图开始，逐步增加 k 值，同时保留到目前为止找到的最佳组件。对于每个 k 和网络组件，计算纯度度量，并用于比较不同 k 关联图的组件。保留纯度值最高的组件，丢弃其他组件。

graph TD
    A[开始] --> B[从 1 关联图开始]
    B --> C[增加 k 值]
    C --> D[计算每个组件纯度]
    D --> E{纯度最高?}
    E -- 是 --> F[保留组件]
    E -- 否 --> G[丢弃组件]
    F --> C
    G --> C
    C --> H{达到最大 k?}
    H -- 是 --> I[得到最优 k 关联图]
    H -- 否 --> C
    I --> J[分类阶段]
    J --> K[使用贝叶斯分类器预测]

一旦获得了最优的 k 关联图，就开始分类阶段。在这个阶段，使用贝叶斯分类器进行预测。具体来说，使用每个类组件的归一化纯度值来计算先验概率，而不是使用文献中常见的传统大小比例。

这种技术