基于信息熵的Markov网络结构学习算法研究

第2步：有效删剪PG图
从定理3的性质2可得到一个判断X,Y是否条件独立的算法：当给出一个概率分布P(x)时，可通过判断I(X，Y|Z)=0代替I(X，Y|Z)，从而PG图中的X→Y和Y→X边可删除；否则。在给定条件Z的情况下，X和Y互相依赖。然而在实际计算中并没有一个真正的概率分布P(x)，只有一个基于样本数据集D而计算的一个经验概率分布PD(x)近似估计P(x)，计算的I(X，Y｜Z)只是基于PD(x)上的I(X，Y｜Z)近似值，所以其值总大于0。为此，判断条件独立方法可描述为：
定理4：设X，Y，Z为全集U上3个不相交的子集，基于样本数据集D上概率分布PD(x)，如果有：I(X，Y｜Z)<ε，则判定给定Z，X与Y条件独立；否则给定Z，X与Y是条件依赖的。其中ε为一个阈值，通常取一个很小的正数。

由定理4可知，经这一步删减，在不考虑边的方向情况下，PG图是一个最小I-图，即所要构造的Markov网。其算法如下：
(1)输入样本数据集D，节点集U，阈值ε1

(4)输出V
由以上算法可知：整个算法是计算复杂度为O(／N2)的条件独立性CI(Conditional Independence)测试。

5 实例分析

此例来自对华盛顿高级中学131名高年级学生的升学计划调查，每个学生用下列变量及其相应的状态来描述：性别(X1)：男、女；社会经济状态(X2)：低、中下、中上、高：智商(X3)：低、中下、中上、高；家长的鼓励(X4)：低、高；升学计划(X5)：是、否。样本数据：下面的数据表示对5个变量取值的某种组合统计所得到的人数，例如：第一个数据4表示对(X1=男，X2=低，X3=低，X4=低，X5=是)这种组合所统计出的人数。变量依次按从右到左的顺序轮换，状态则按照上述所列各变量状态的顺序进行轮换，依此类推，得到完全统计数据如下：4，349，13，64，9，207，33，72，12，126，38，54，10，67，49，43，2，232，27，84，7，201，64，95，12，115，93，92，17，79，119，59，8，166，47，91，6，120，74，110，17，92，148，100，6，42，198，73，4，48，39，57，5，47，123，90，9，41，224，65，8，17，414，54，5，454，9，44，5，312，14，47，8，216，56，35，13，96，28，24，11，285，29，61，19，236，47，88，12，164，62，85，15，113，72，50，7，163，36，72，13，193，75，90，12，174，91，100，20，8l，142，77，6，50，36，58，5，70，110，76，12，48，230，81，13，49，360，98Heckerman等用基于统计打分搜索算法得到如图1所示的两种最有可能的结构。

基于图1所示的算法计算结果如下：取阈值为0．007和0．001，经计算得到图2a的结构，根据专家知识可知：性别、社会经济状态是不会有父节点的，所以对X1<=>X4和X2<=>X3两种依赖关系可修订为X1=>X4和X2=>X3，由此得到图2b所示的结构。因此，可以看出，图1a和图2b是一样的。根据Markov的理论和特征，得到Markov网结构，如图3所示。

6 结束语

通过认真研究信息熵理论知识得到基于信息熵的Markov网算法，在一定程度上简化了Bayesian网推理过程，提高了推理效率，对知识的不确定推理研究具有参考价值。

编辑：小宇