集成学习是一种能够有效提升基分类器分类精度的方法,当集成学习方法应用在一些不稳定分类器上时,其分类精度都会得到大幅的提升。例如集成多棵决策树后的随机森林是目前分类效果最好的分类器之一,另外还有目前广为人知的XG-Boost,其在GDBT的基础做了些许改善。但是当针对像贝叶斯网络这种稳定的分类器进行集成学习时,例如常用的Bagging,Boosting集成方法,由于这类分类器的稳定性,往往会得到差强人意的结果。在学者们探究如何应用集成方法于贝叶斯网络分类器上以提升其分类精度的过程中,也出现了一些非常优秀的集成模型–AnDE,这种集成模型相比其基模型SPODE有大幅的提升。由于没有结构训练的过程,AnDE保留了近乎朴素贝叶斯的快速和高效,加上其自身的很高的分类精度,尽管AnDE提出了近十几年,但它目前依然是贝叶斯领域分类性能很强的分类器。但是AnDE也有致命的缺陷阻碍了其进一步的广泛使用–AnDE无法扩展到大数据集,并且对于含有大量属性的大数据集很不友好。当训练大数据集时,特别是那些具有很多属性的数据集,尽管其分类精度随着阶数的增加而提升,但是基分类器的数量会呈指数级增加。实验表明,AnDE最多只能体现两两属性间二阶的关系。既AnDE提出之后,一些研究者提出ATAN和AKDB,他们的核心思路和AnDE很相似-分别是平均所有的TAN结构或者KDB结构。但是结果显示ATAN只是在某些特定的指标上对和TAN比有一定的改善,但是在分类精度方面的改善很小;而AKDB由于其集成搜索空间巨大,只能应用在小型的数据集上,并且对分类精度的改善也很有限;由于这些令人不满意的结果,在贝叶斯上应用集成学习的思路慢慢淡出学者们的关注。本文提出了一种新的可应用于贝叶斯分类器上,并且支持并行的集成方式-随机分化方法。在随机分化方法中,我们将属性分化为更小的颗粒属性来构建不同结构的分类器。随机分化可以应用于任何包含结构学习过程的贝叶斯分类器。它简单高效、支持并行、支持增量学习、并且可拓展。除此以外,随机分化方法不会增加对训练时数据集的遍历次数,并且由于其特殊的特点,只需集成较少的基分类器就可以达到不错的提升效果。我们在UCI的27个大数据集上的实验表明随机分化方法相比目前最优秀的集成贝叶斯分类器AnDE要具有更准确的分类精度。