斯坦福-隨機圖模型-week1.2_
阿新 • • 發佈:2018-03-02
graphic 成績 tps 不同的 基因型 nta 因式分解 pre HR
title: 斯坦福-隨機圖模型-week1.2
tags: note
notebook: 6- 英文課程-9-Probabilistic Graphical Models 1: Representation
---
斯坦福-隨機圖模型-week1.2
貝葉斯網絡-semantics of a bayesian network 貝葉斯網絡的語義
我們從一個例子來討論,一個成績的問題:
成績問題有5個因素:
- 成績
- 難度
- 天分
- SAT成績
- 相關能力
整個問題可以描述成:
然後整個的圖模型可以描述為:
如果根據我們的統計數據我們可以得到這樣的概率分布
根據這些數據,我們可以組成概率的鏈,就像這樣:
然後根據推理鏈我們很容易的可以算出概率方程:
當我們要計算:的時候:
可以使用概率的乘法,根據鏈條進行逐級計算,計算過程如下:
貝葉斯網絡
- 一個直接的無環網絡
- 對於每個節點,都使用條件概率進行描述
- 其中有概率的聯合分布,通過節點的匯聚和發散
- 貝葉斯網絡中概率都是正的
- 並且總概率和為1
factorizes 因式分解
一個血型遺傳的例子
考慮在這樣的一個家庭系譜圖中:
我們可以畫出血型的隨機圖模型
其中G表示基因型,B表示血型。這是一個相對比較復雜的網絡。
在貝葉斯網絡中我們可以通過概率很容易的進行推理。
可以進行正向的推理,就像我們前面提到的
也可以進行逆向的推理,使用貝葉斯公式。如下圖:
比如一個學生得了C,我們就可以通過數據推理出,他是因為題目太難而的概率和因為太傻的概率。
or 或元素
或元素是一種0-1的推理規則,可通過如下的表示:
進行逆概率推理的情況下: 可以通過如下大的表示:
多證據推理
我們可以通過不同的正據進行推理,比如一個學生本次考試成績不好,但是sat卻得到了很高的分數,那麽說明這次考試很難的可能性就很大了。
概率信息的流動
X什麽時候會影響Y
- 當Y是X的子節點
- 當X是Y的子節點
- X,Y是同一個節點的子節點
行動軌跡
斯坦福-隨機圖模型-week1.2_