上一个十年中，市场直销在世界范围内有了显著增长。直销市场的扩大对定量研究提出了新的挑战。以目录直销为例。市场直销中的数据分析人员通过建立模型来识别最可能带来利润的客户，并向他们邮寄促销材料，使诉求获得最大回报。如果经费有限，那么只能向数据库中的一部分客户邮寄材料。因此，市场直销模型中最首要的目标就是判断哪些客户是最可能响应(购买产品)的。这就引入了响应预测问题。 到目前为止，对该模型的研究主要来自传统的统计方法，比如逻辑回归和判别式分析。此外，机器学习方法也开始用来解决诸如破产预测和消费者选择模型等一些分类问题，较为常用的如神经网络(ANN)和决策分类树(CART)。虽然这些方法在建立预测模型上比较有效，但在市场研究的应用中尚有不足。 在这篇论文中，我们提出了一种新的机器学习方法——用演化程序学习的贝叶斯网络方法，来给市场直销数据库建立消费者响应模型。贝叶斯网络在处理预测模型上有几个显著优点：在条件独立的假设基础上，贝叶斯网络模型把研究问题看成随机变量的联合概率分布，它可以处理混合数据类型和复杂的模型结构，并能够用概率推理来发掘变量之间的相互联系。 应用大型市场直销数据库，本文首先把贝叶斯网络作为一种算子将数据表示成网络模型(DAG)，然后应用演化程序作为随机搜索算法来寻找最优的模型。为了评估模型的适应度，平衡模型的复杂度和精确度之间的关系，本文选用最小描述长度矩阵(MDL)作为适应度函数。 一旦最佳模型找到，用来描述变量之间关系的条件概率就能计算出来。被学习的贝叶斯网络给变量的每个分类均生成一个概率分数，用于交叉验证和预测。因变量的概率分数，用于预测建模。根据这列概率分数，我们通常会用一个分割点(e．g．，0.5)来给因变量分类，再检查最上层100％的正确率，与实际数据进行