Multidimensional Bayesian network classifier (MBC) has become a popular classification model because of their intuitive graphical representation ability among class variables. But learning MBC and performing multidimensional classification based on the MBC can be very computationally demanding. For the tractability of performing multidimensional classification, a class‐bridge‐decomposable (CB‐decomposable) MBC model is proposed and it alleviates the computation complexity. But there are few works to efficiently and systematically learn the CB‐decomposable MBC model. Thus, we focus on addressing a naive learning algorithm of CB‐decomposable MBCs. Briefly, we learn the CB‐decomposable MBC model by dividing it into three components: class subgraph, bridge subgraph, and feature subgraph. First, we analyze why the class subgraph can be learned based on general Bayesian network learning methods. Second, we give how to learn bridge subgraph based on information gain ratio. Third, to make the CB‐decomposable MBC model effective and simple, we also study the learning and updating strategies of feature subgraph. Further, we propose the naive learning algorithm of the CB‐decomposable MBC. Finally, by comparing with other methods on several benchmark datasets, experimental results illustrate that our naive learning algorithm not only has higher accuracies, lower learning, and classification times but also has simple and intuitive representation ability.

中文翻译：

---

一种用于类桥可分解多维贝叶斯网络分类器的朴素学习算法

多维贝叶斯网络分类器（MBC）因其在类变量之间的直观图形表示能力而成为一种流行的分类模型。但是学习 MBC 并基于 MBC 执行多维分类对计算的要求非常高。为了执行多维分类的易处理性，提出了一种类桥可分解（CB-decomposable）MBC模型，它减轻了计算复杂度。但是很少有工作可以有效和系统地学习 CB-decomposable MBC 模型。因此，我们专注于解决 CB 可分解 MBC 的朴素学习算法。简而言之，我们通过将 CB-decomposable MBC 模型分为三个组件来学习 CB-decomposable MBC 模型：类子图、桥接子图和特征子图。第一的，我们分析了为什么可以基于通用贝叶斯网络学习方法来学习类子图。其次，我们给出了如何基于信息增益比来学习桥接子图。第三，为了使 CB-decomposable MBC 模型有效和简单，我们还研究了特征子图的学习和更新策略。此外，我们提出了 CB 可分解 MBC 的朴素学习算法。最后，通过在几个基准数据集上与其他方法进行比较，实验结果表明我们的朴素学习算法不仅具有更高的准确率、更低的学习和分类次数，而且具有简单直观的表示能力。我们还研究了特征子图的学习和更新策略。此外，我们提出了 CB 可分解 MBC 的朴素学习算法。最后，通过在几个基准数据集上与其他方法进行比较，实验结果表明我们的朴素学习算法不仅具有更高的准确率、更低的学习和分类次数，而且具有简单直观的表示能力。我们还研究了特征子图的学习和更新策略。此外，我们提出了 CB 可分解 MBC 的朴素学习算法。最后，通过在几个基准数据集上与其他方法进行比较，实验结果表明我们的朴素学习算法不仅具有更高的准确率、更低的学习和分类次数，而且具有简单直观的表示能力。