分类问题是数据挖掘和机器学习领域研究的重点问题。贝叶斯网络模型因其简单高效的特点，广泛应用于分类问题。一依赖估测器模型 (one-dependence estimators, ode) 作为半监督学习的贝叶斯网络模型中的经典模型，受到了研究者们的广泛关注。现有的ode模型分类器在进行分类判别时，未考虑不同的属性结点作为根节点时对分类过程的贡献不同。本文将ode模型分类器与属性值加权方法相结合，提出了miode算法。采用相互信息mi（mutual information）度量属性根节点的属性值与类变量之间的依赖关系作为ode模型的权值，对ode分类器模型进行属性值加权平均。并将miode算法应用于现实分类问题的36个标准数据集，实验结果显示miode算法优于ode模型相关经典算法，分类性能优良。本研究成果可为贝叶斯网络分类算法提供新思路，为大数据分类提供快速准确的方法，具有十分重要的理论意义和应用前景。
10.19678/j.issn.1000-3428.0056498
