Alpha Go和李世石的世纪大战,掀起了人工智能的第三波浪潮。各大互联网公司都开始了在人工智能领域的布局。人工智能的核心技术——机器学习,也受到了更多的关注。机器学习的本质是从海量的资料中学习出有用的规则。机器学习的一个分支贝叶斯网络因为其在因果推理和不确定知识表达方面有良好的表现,有着广泛的实际应用。比如垃圾邮件的过滤,反作弊侦测,信用评估,医疗诊断等等。贝叶斯网络中最基础也是最简单的一个网络结构当属朴素贝叶斯模型(Naive Bayes,NB),它假设所有的属性在类变量的条件下彼此之间是相互独立的。在NB的基础上,针对属性之间是否相互关联又产生了一系列的模型:树增广朴素贝叶斯模型(Tree Augmented Naive Bayes,TAN),平均一阶依赖贝叶斯模型(Averaged One-Dependence Estimators,AODE),以及k阶依赖贝叶斯模型(k-Dependence Bayesian Networks,KDB)等等。其中NB和TAN更适用于小数据集,KDB在大数据集上表现良好但是模型复杂度也高。相对而言,AODE的分类准确度以及算法复杂度要优于其他算法,这主要得力于自身的集成学习机制。AODE本身是一个集成的一阶依赖贝叶斯模型,在它的每个子模型中所有属性都依赖于同一个属性节点即超父节点。然而每个属性轮流做超父节点的思想,放大了属性节点之间的依赖关系,而且最终的集成策略把所有子模型一致对待忽略了属性节点和类变量之间的相关性,这就导致AODE在属性关系复杂的大数据集中分类性能受到限制。为了继承AODE模型的优点,同时还能使得每个子模型内部属性的依赖关系更接近样本数据的真实分布,本文提出了AODF和WAODF两种算法。在AODE模型的基础之上,把属性之间的条件互信息作为属性依赖关系的衡量标准。首先筛选出与超父节点依赖度较弱的属性节点,按照某种原则重新为属性节点挑选父节点,每确定一个新的父节点就形成一个新的一阶依赖贝叶斯网络,从而得到了基于AODE的一阶依赖贝叶斯森林模型,简称AODF。其次结合AODF中的各个子网络结构之间的差异性,把所有子模型划分为几个类,根据类与类之间的差异和类内部的结构差异提出了基于属性节点和类变量的互信息的外部加权策略以及基于属性之间的条件互信息的内部加权策略,得到基于AODE的加权一阶依赖贝叶斯森林模型(WAODF)。为了验证所提出的算法AODF以及WAODF是有效的,本文从UCI数据集中选取了40个数据集开展了多组实验。分别从0-1 loss、macro-average两个角度来阐述算法的分类准确度以及分类稳定性。实验证明基于AODE的加权一阶依赖贝叶斯森林模型有着更高的分类精度以及分类稳定性。