首页 > 代码库 > 概率图模型(PGM)学习笔记(二)贝叶斯网络-语义学与因子分解

概率图模型(PGM)学习笔记(二)贝叶斯网络-语义学与因子分解

概率分布(Distributions)

如图1所看到的,这是最简单的联合分布案例,姑且称之为学生模型。


图1


当中包括3个变量,各自是:I(学生智力,有0和1两个状态)、D(试卷难度,有0和1两个状态)、G(成绩等级,有1、2、3三个状态)。

表中就是概率的联合分布了,表中随便去掉全部包括某个值的行,就能对分布表进行缩减。

比如能够去掉全部G不为1的行,这样就仅仅剩下了1、4、7、10行,这样他们的概率之和就不为1了,所以能够又一次标准化(Renormalization)。如图2所看到的。


图2


反之也能够把全部含有某个值得行相加,就是边缘化(Marginalization),如图3所看到的。

图3 


条件概率分布(Conditional ProbabilityDistribution, CPD)

已知学生的智力和试卷难度,学生得分的分布就是条件概率。如图4所看到的。


图4

 

因子(Factors)

因子是随机变量的函数。

因子是处理概率分布的的基本手段。

因子是高维空间中用以定义概率分布的基本单元。


因子能够相乘(图5)、边缘化(图6)以及缩减(图7)。


图5



图6



图7

 

前面提到的学生模型,其条件概率分布能够画在一张图里面,如图8.

每一个节点代表一个因子,当中有些CPD已经蜕化成非条件概率了。

图8 


贝叶斯网络的链式法则(Chain Rule)

如图9所看到的。概率分布由因子的积来定义。


图9


比如


因此,通过链式法则,贝叶斯网络可以表示联合概率分布:


 

贝叶斯网络的重要性质是概率和为1


 

一个简单的概率图是血型模型

当中G指基因型,B指血型。能够看到血型仅仅由自己的基因型决定,而基因型则由父母两人的基因型决定。如图10.


图10

欢迎參与讨论并关注本博客微博以及知乎个人主页兴许内容继续更新哦~

转载请您尊重作者的劳动,完整保留上述文字以及本文链接,谢谢您的支持!


概率图模型(PGM)学习笔记(二)贝叶斯网络-语义学与因子分解