30、多维分类器与非概率聚类方法解析

多维分类器与非概率聚类方法解析

1. 多维分类器相关内容

多维分类器在数据处理和分析中有着重要的应用。其中，MB - MBC算法在诱导多类贝叶斯分类器（MBC）结构时，会考虑多个类变量。与仅恢复单个类变量马尔可夫毯的HITON算法不同，MB - MBC会输出MBC模型结构的三个子图：
1. 类子图 ：首先在每个类变量 $C_i$ 和其对应PC集中的任何类变量之间插入一条边；然后使用PC算法的边定向规则对这些边进行定向。
2. 桥接子图 ：从每个类变量向其PC集中的每个特征变量插入一条弧。
3. 特征子图 ：对于集合 $MB(C_i) \setminus PC(C_i)$ 中的每个特征 $X_j$，即 $X_j$ 的每个配偶，MB - MBC从 $X_j$ 向由 $PC(X_j) \cap PC(C_i)$ 给出的相应共同子节点插入一条弧。

此外，还有一种名为MBCTree的模型，它是MBC和分类树的混合体，将一般的MBC放置在分类树的叶节点中。要对新实例进行分类，只需沿着树的分支，其值与实例的值相匹配，直到到达叶节点，然后相应的MBC将负责多维分类。

下面通过一个帕金森病患者生活质量的例子来进一步说明。该例子使用了来自马德里卡洛斯三世健康研究所国家流行病学中心收集的国际多用途数据库中的帕金森病（PD）数据集，包含488名患者。数据集中有39个特征变量（PDQ - 39），分为八个维度，每个维度有五个可能的值；还有5个类变量（EQ - 5D），分别是 Mobility（移动能力）、Self - care（自我照顾能力）、Usual activiti