平均一依赖 (AODE) 算法及其在机器学习中的应用
为什么重要：平均一依赖估计器是朴素贝叶斯分类器的扩展，它放宽了“朴素性”并允许复杂的特征关系。在本文中，我们探讨了算法的概念、背后的数学以及 Python 中的自定义实现。
来源:人工智能+简介
简介为了解决流行的朴素贝叶斯分类器的属性独立性问题，开发了平均一依赖估计器 (AODE) 算法。它在计算能力几乎没有增加的情况下，开发出比朴素贝叶斯更准确的分类器。
定义
定义平均一依赖估计器是一种分类学习技术，它形成一种特定形式的贝叶斯网络分类器集合，称为 n 依赖（在本例中为 1 依赖）分类器。每个 n 依赖（在本例中为 1 依赖）分类器做出比朴素贝叶斯更弱的属性独立性假设，允许每个属性依赖于类和一个共同的非类属性。 AODE 通过聚合所有 1 依赖分类器预测来进行分类，其中所有属性都依赖于单个父级以及类，只要满足最小频率约束。
什么是平均一依赖估计器
什么是平均一依赖估计器平均一依赖估计器或 AODE 算法是一种类似于朴素贝叶斯分类器的概率分类学习技术。它是为了解决朴素贝叶斯分类器所面临的属性独立性问题而开发的。它允许每个特征向量中的值对相互依赖，但忽略了涉及三个或更多特征的进一步复杂关系。该算法放宽了朴素贝叶斯分类器的“朴素性”，并且它经常以增加计算能力为代价胜过朴素贝叶斯。
此外，还可以为特定的平均一依赖估计器特征添加权重。此方法称为 WAODE，其中“W”代表加权，并且已证明它比简单的 AODE 产生更好的结果。
另请阅读：机器学习中的 Argmax 是什么？