分類問題における属性間依存性の再構築とその解釈 : ベイジアンネットワーククラシファイアによる実験報告(モデルとメトリクス,プロジェクト管理とモニタリング,一般)

概要

論文の詳細を見る
近年,属性間の依存性を考慮した分類モデルとして,ベイジアンネットワーククラシファイア(BNC)の研究が盛んになっている.本報告では,属性間依存性をどのように再構築すべきか,という観点からベイジアンネットワーククラシファイアの1種であるTree Augmented Network (TAN)を改変し,相互情報量に基づく手法k-Bayesian Network Classifier 1(k-BNC1)と,確率分布のカルバックライブラ擬距離に基づく手法k-BNC2を提案する.これらの手法はいずれも依存性の高い属性ペアを上位k個のみ採用して属性間依存性を再構築できる.検証実験では,属性間依存性を考慮しないNaive Bayes Classifierや,Bayesian Networkの構造推定法(K2アルゴリズム,Hill Climbing Searchアルゴリズム)と比較し分類パフォーマンスを評価した.検証実験により提案手法の優位性を示唆する結果を得た.また,依存性制約の有無と属性間依存性の解釈の関係性についても考察し,依存性制約を導入することで分類精度が向上する傾向にあることが分かった.
2008-03-03