22、基于贝叶斯网络与径向基函数神经网络的聚类及分类方法

基于贝叶斯网络与径向基函数神经网络的聚类及分类方法

贝叶斯网络聚类方法初步结果

在聚类研究中，为了测试所提方法的效果，由于全面评估该方法超出了当前目标，所以仅展示了一些初步结果。
首先，对算法第一步（构建桥模型）的结果进行展示，以判断其能否找到有意义的分区。为此，使用了一个真实数据集和一个合成数据集。
- 真实数据集（NBA数据） ：选取NBA数据，该数据包含“所有常规赛季统计数据”，去除含缺失值的对象后，有927名球员和19个属性，这些属性与球员每场比赛的平均表现相关。将属性离散化为四个相等的区间。由于采用了EM算法，每次运行算法可能会得到略有不同的分区，但有些属性每次都会出现在相同的分区中。
- 例如，第一个分区{OR, DR, TR, BLK}（分别为进攻篮板、防守篮板、总篮板和盖帽）都与球员的身高有关，可表明球员是前锋还是后卫。
- 第三个分区{FG%, 3P%, FT%}（分别为投篮命中率、三分命中率和罚球命中率）显然与球员的投篮准确性有关。
- 为获得更稳健的结果，仅对{3PM, 3PA, 3P%, DR, OR, TR, GP, Min}（分别为三分命中数、三分出手数、三分命中率、防守篮板、进攻篮板、总篮板、比赛场次和上场时间）这八个属性进行实验，几乎每次都能找到{3PM, 3PA, 3P%}、{DR, OR, TR}和{GP, Min}这三个直观且新颖的分区，每个分区都蕴含不同的概念。
- 合成数据集 ：从具有四个分区的贝叶斯网络（BN）结构中生成样本，去除与所有四个分区相关的数据后，对13个观察属性运行算法，能够找到五个分区，与原始结构非常接近，这也证明了该方法在寻找