Algorithm1属性加权的独依赖条件概率编码方法

Input：分类属性 $A_1^c,\cdots ,A_{M_c}^c$ ，数值属性 $A_{M_c+1}^n,\cdots ,A_M^n$ 和标签c.

Output：编码后的数值属性 ${A^{\prime }}_1,\cdots ,{A^{\prime }}_{M_c}$ 和对应的权重 $w=\left[w_1,\cdots ,w_{M_c}\right]$ 。

begin

//独依赖条件概率编码

1：计算TAN-tree获得属性之间的依赖关系。

2：for每一对分类属性 $A_j^c$ 和它的父属性 $A_{jp}^c$ , j=1 to M_c do

3： for每一个可能的标签c do

4： 通过公式 计算数值概率向量 $a_j\left(x_i^{\left(c\right)}\right)$ 。

5： end for

6：end for

7：由步骤2 to 6, 我们得到每一个分类属性对应的数值向量并替换，分类属性 $A_1^c,\cdots ,A_{M_c}^c$ 可被编码为数值属性 ${A^{\prime }}_1,\cdots ,{A^{\prime }}_{M_c}$ 。

//属性加权

8：for每一对分类属性 $A_j^c$ 和其它属性 $A_k^c$ , j=1 to M_c, k=1 to M_c, $j\ne k$ do

9： for每一个可能的标签c do

10：通过公式(16)~(23)计算所有属性之间的条件互信息值。

11： end for

12：end for

13：：通过公式(24)~(26)所有分类属性的权重。

14；通过公式(10)将权重映射在区间[0, 1]中。

return编码后的数值属性 ${A^{\prime }}_1,\cdots ,{A^{\prime }}_{M_c}$ 和对应的权重 $w=\left[w_1,\cdots ,w_{M_c}\right]$ 。