论文部分内容阅读
在贝叶斯网络参数学习中,通常假定所有变量是离散变量或者服从高斯分布的连续变量,所以需要对现实中一些不符合该前提假设的变量进行离散化。连续变量的离散化直接影响贝叶斯网络的推理效果,因而具有重要意义。论文采用两种不同的方法(分别为等宽法、ChiMerge法)对数据集进行离散化,离散后的结果运用Netica构建相应的贝叶斯网络并进行参数学习,最后利用得到的贝叶斯网络进行简单的预测分析。