概率图模型基础(2) |
您所在的位置:网站首页 › 独立节点怎么确定 › 概率图模型基础(2) |
概率图模型基础之二——贝叶斯网络中的因果关系
1. 贝叶斯网络1.1 网络结构1.2 贝叶斯网络的表达式1.3 朴素贝叶斯
2 符号定义3 因果关系3.1 具体实例3.2 贝叶斯网络中各节点如何相互影响?
4. 参考课程
1. 贝叶斯网络
1.1 网络结构
仍然是学生成绩的例子,假设有以下5个随机变量,Grade(G),Course Difficulty(D)、Student Intelligence(I)、Student SAT(S)、Reference Letter(L)。其结构如图example右侧所示。 对于无向无环图(DGA)中的每一个节点
X
1
,
.
.
.
,
X
n
X_1,...,X_n
X1,...,Xn,每一个节点的概率可以写成
P
(
X
i
∣
P
a
r
G
(
X
i
)
)
P(X_i| Par_G(X_i))
P(Xi∣ParG(Xi))。 对于上例中的结构,有 P ( D , I , G , S , L ) = P ( D ) P ( I ) P ( G ∣ D , I ) P ( S ∣ I ) P ( L ∣ G ) P(D,I,G,S,L)=P(D)P(I)P(G|D,I)P(S|I)P(L|G) P(D,I,G,S,L)=P(D)P(I)P(G∣D,I)P(S∣I)P(L∣G) 贝叶斯网络中,个节点的概率和为1. 假设所有的事例都属于若干两两互斥且是所有事例情况的类中的一个。比如,学生的智商 I I I,存在事例的两个类——高智商和低智商。 除此之外,模型还包括一定数量的、可以观测到其值的特征(features) X 1 , . . . , X n X_1,...,X_n X1,...,Xn。朴素贝叶斯假设(naive Bayes assumption)是在给定事例的类的条件下,这些特征条件独立。 基于上述独立性假设,模型的因子分解可以表示为:
P
(
C
,
X
1
,
.
.
.
,
X
n
)
=
P
(
C
)
∏
i
=
1
n
P
(
X
i
∣
C
)
P(C,X_1,...,X_n)=P(C) \prod_{i=1}^{n}P(X_i|C)
P(C,X1,...,Xn)=P(C)i=1∏nP(Xi∣C) 示例1: 示例2: 在此情况下:Grade改变影响Difficulty,同样的,Difficulty改变也会影响到Grade。 如果W不是观测变量,则X-W-Y可以完成X影响Y。 Difficulty->Grade->Letter当Grade不为观测变量时,Difficulty可以通过Grade对是否获取Letter进行影响。 Letter->Grade->Difficulty当Grade不为观测变量时,Letter的可以通过Grade判断课程的难度。 GradeSAT当Intelligence不为观测变量时,SAT的可以通过Intelligence判断成绩。 如果W是观测变量,则如下情况X不会影响Y。Difficulty->Grade->Letter Letter->Grade->Difficulty GradeSAT |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |