机器学习算法-贝叶斯网络、聚类算法、基于密度的方法DBSCAN

贝叶斯信念神经网络

Bayesian Belief Network (BNN)，
该方法依赖于特征之间相互独立这一严格假设，
这限制了其适用性。

将变量间的依赖关系表示为Directed Acyclic Graphs（DAG），其中每个变量以节点形式表示，而每个依赖关系则以边的形式表示。

祖先即父系、亲代及子系等价替代；贝叶斯网络中的一个单元格，在其亲代单元格已知的情况下，则该单元格条件独立于其所有的子系单元格。

每个节点附带一个条件概率表(CPT）,表示该节点和父母节点的联系概率。

分类具有学习能力，
聚类没有学习能力，没有学习集
聚类的依据
1.密度

基于选定样本与中心样本之间的间距进行分类, 间距较小的样本倾向于被归入同一类别, 而与交易员相关的样本则应被分配到不同的类别中. 对于所有i和j来说, d_ij 始终大于零. 当且仅