K2算法是近二十年来贝叶斯网络中最著名的基于分数的算法。 具体来说，它以 DAG 的形式有效地恢复了底层分布。 详情请参考Cooper发表的论文[1] 请从“ControlCentor.m”开始，这里有一个简单的例子来理解如何使用我们的代码。 如果有任何问题，请告诉我，我会尽快帮助您。 我用mex编程重写了K2，如果你知道怎么编译，请试试K2.c，因为这段代码可以处理1000个变量的变量，效率很高。 它在 32 位和 64 位 linux 下进行了测试。 [1] G. Cooper 和 E. Herskovitz，从数据中归纳概率网络的贝叶斯方法，机器学习9 (1992), 330–347。 如果您使用此代码，请引用我们的论文： Bielza, C., Li, G. & Larrañaga, P. (2011)。 贝叶斯网络的多维分类。 国际近似推理杂志，第52卷，第705-7

从数据中学习贝叶斯网络结构是一个NP-hard问题，提高网络结构学习算法精度是研究的重难点。基于Pearl的因果理论，提出了一种贝叶斯网络结构学习方法，提升了现有算法的准确率。利用改进的Pearl因果效应和BDe评分，学习网络节点优先次序，利用K2算法学习初始网络，并通过BDe评分反向调节、互信息和BDe评分删除边以修正学习结果。实验在贝叶斯网络标准数据集ASIA、ALARM上进行，在样本量为2000~20 000的20组实验中，学习准确率较MMHC算法平均提升16%，准确率标准差较MMHC算法平均缩小17%。实验表明，基于因果效应的方法较MMHC算法有更好的性能。

在matlab开发环境下对贝叶斯网络进行结构学习 模型预测推理分类

贝叶斯网络学习算法――k2算法，对于学习数据挖掘的人有用的，涉及到了分类预测算法

利用Ｋ２算法从数据中学习贝叶斯网络结构 # include "mex.h" # include "math.h" /*[ DAG, K2Score ] = K2( LGObj,Order,u,PreDAG )