摘要：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。 

基金：湖北省科自然科学基金面上项目：属性值加权的贝叶斯网络分类算法研究(No.2018CFC893)； 湖北省中央引导地方科技发展专项立项项目：区域基础教育资源配置与优化关键技术的研究与应用（No.2019ZYYD012）； 湖北省重点实验室开放基金项目：基于贝叶斯网络分类算法的岩爆预测研究（编号KLIGIP-2018A05）；

关键词：贝叶斯网络; 一依赖估测器; 分类算法; 结构扩展; 属性值加权;

DOI：10.19678/j.issn.1000-3428.0056498