يادگيري ساختاري شبكه بيزي با به كارگيري پوشش ماركوفي در الگوريتم K2

شبكه هاي بيزي‏، مدل هاي گرافيكي احتمالي هستند كه رابطه علت و معلولي بين متغيرها را تعيين مي كنند و شامل يادگيري ساختاري و يادگيري پارامتري مي باشند. الگوريتم K2 يكي از بهترين روش هاي يادگيري ساختار در شبكه هاي بيزي براي متغيرهاي گسسته است. كارايي الگوريتم K2 ، به شدت تحت تاثير ترتيب متغيرهاي ورودي است. بنا بر اين براي رسيدن به گراف دقيقي كه توصيف كننده داده ها باشد، يافتن الگوريتمي كه ترتيب دقيق تري از عناصر به عنوان ورودي 2 K ارائه كند‏، مورد نياز است. در اين مقاله، نخست با استفاده از روش افزايشي-كاهشي، پوشش ماركوفي هر متغير را يافته‏، سپس بر اساس فراواني هاي شرطي و استفاده از تابع چگالي احتمال ديريكله، از بين پوشش ماركوفي هر متغير، والدين احتمالي آن متغير انتخاب مي شوند. مجموعه والدين انتخابي هر راس به عنوان ورودي الگوريتم K2 مورد استفاده قرار مي گيرد و شبكه بيزي به دست مي آيد. نتايج حاصل از اعمال الگوريتم پيشنهادي بر روي چند مجموعه داده معيار و مقايسه آن با روش هاي ديگر، نشان مي دهد كه الگوريتم پيشنهادي بسيار كاراتر از ساير روش ها است.