首页 > 代码库 > 概率图模型(PGM)学习笔记(三)模式判断与概率图流

概率图模型(PGM)学习笔记(三)模式判断与概率图流

我们依旧使用“学生网络”作为样例,如图1。

 

图1


首先给出因果判断(Causal Reasoning)的直觉解释。

能够算出来


即学生获得好的推荐信的概率大约是0.5.

但假设我们知道了学生的智商比較低,那么拿到好推荐信的概率就下降了:


进一步,假设又同一时候知道了考试的难度非常低,那么他拿到好的推荐信得概率又上升了,甚至还能超过最初的概率:


上述这个过程就是因果判断,你看它是顺着箭头的方向进行判断。

 

其次给出信度判断(Evidential Reasoning)的直觉解释。如图2.


图2


本来已知考试难度高和学生非常聪明的概率分别为0.4和0.3


如今我们忽然知道这个悲剧的同学考试里得了C等。

那么如今考试难度高的概率就上升了,学生非常聪明的概率就下降了:


上述这个过程就是信度判断,你看它是逆着箭头方向进行判断的。

 

再次给出交叉因果判断(Intercausal Reasoning)的直觉解释,如图3.


图3


信度判断指出,在已知该同学考了C等之后,他非常聪明的概率下降到0.08了,

假设此时我们又知道这次考试非常难,那么他非常聪明的概率会有一个轻微的上升,到0.11:


交叉因果判断的特点是Difficulty顺着箭头到了Grade,又逆着箭头影响到了Intelligence.

 

为什么会这样?我们考虑一个最简单的情况,如图4.


图4


一開始能够看到,X1和X2是全然独立的,同一时候有若已知Y=1


然而,当我们已知X1=1之后,X2=1的概率下降了:


 

再来看看这个同学考了B是什么效果,如图5.


图5


本来学生非常聪明的概率是0.3,后来知道了他考了B,那么他非常聪明的概率下降到了0.175.

如今又知道了,这门考试事实上蛮难的。那么他非常聪明的概率又上升到了0.34,竟然超过了原始的0.3.

 

如今再考虑一个情况:这个同学在SAT測验中得了A,如图6.


图6


这对考试非常难以及学生非常聪明的概率有什么影响吗?回到那位考了C的悲剧同学。

这个同学考了C,所以考试非常难的概率为0.63,学生非常聪明的概率降到0.08

如今,忽然又知道了这个同学蛮厉害的,在SAT中考了A

于是,考试非常难的概率达到了0.76,学生非常聪明的概率达到了0.58,两者都大大超过了他们本来的概率。这是由于,同学的SAT成绩为A改变了我们对其智商的认识,从而影响到了在他考了C时,对其考试难度的认识。

 

通过上述直观分析,我们发现概率图中的节点是可以相互影响的,以下做详细分析。如图7.


图7


设随机变量X和Y,在什么情况下是能够相互影响的呢?

1.X与Y直接相连时他们能够相互影响。

比方告诉你考试非常easy,那么你得分高的概率自然上升。告诉你得了C,那么考试非常easy的概率就会下降。

 

2.X与Y中间隔了一个W,在连接箭头方向不变的情况下,X与Y可以相互影响。

比方告诉你这个同学得到了一封不错的推荐信,那么考试简单的概率就上升了。告诉你考试难度非常大,那么他能得到好推荐信的概率就下降了。

 

3.X与Y之间隔了一个W,假设当中箭头是指向外的方向,X与Y可以相互影响。

比方同学的SAT成绩显然和他的Grade是相互影响的。这就像一个人每次模拟考试都能拿高分,我们自然有理由相信他能力非常强,足以在高考中获得好成绩。

 

4.X与Y之间隔了一个W,假设当中箭头是指向内的方向,那么X与Y就不能相互影响了。

比方告诉你考试非常难,但这跟同学的智商有什么关系呢?反之亦然。

 

总之,假设一条关系链中没有形如的结构,那么这条关系链就能把影响传递下去。

 

以上讨论的都是我们对中间环节W一无所知的情况。

假设我们知道关于中间环节W的信息呢,X与Y之间的相互影响是否会因此而发生改变呢?我们用Z集合表示我们知道相关信息的意思。如图8.


图8


分栏左側就是我们上面讨论的情况:我们对W一无所知。

右边栏是指我们已经知道W的概率了。再来观測X与Y之间的影响。

 

奇妙的事情出现了:假设我们知道了W的概率,会把之前通畅的关系链给打断了;而把之前阻塞的关系链打通了。

详细地:同学SAT得了A,可是我们已知这个同学智商事实上超级笨,那么他考试拿高分的概率会由于他SAT的狗屎运而增多吗?不会的,依据定义,考试成绩仅仅与他的智商和考试难度有关,跟他碰巧考好的SAT没有不论什么关系。由于我们已经知道他实际上非常笨了,SAT只是是个意外。

而之前阻塞的链接如今却通了。比方说考试非常难,这和同学智商没有不论什么关系,可是假设我知道了考试非常难,同学考了A,那么我们非常有理由相信,同学应该非常聪明啦。

 

这张图中,S-I-G-D这条路径在I不知道、G知道的情况下才干通畅无阻。

 

Tips:事实上这个结论还应该扩展一下。

已知试卷非常难,不知道考了多少分,可是我们知道这个同学利用这个分数拿到了一封非常好的推荐信,我们就有理由相信,他应该考得不错,进而相信他应该是个挺聪明的童鞋。

 

总之。假设一条关系链中在每一个形如的结构里,我们知道Xi或者至少知道他的某一个子节点的概率(就像我们尽管不知道Grade,可是我们知道了Letter的概率),那么这条关系链就能把影响传递下去。

 

独立性

独立性的定义能够有下面3种描写叙述:


 

类似地,条件独立也能够这么写


 

以下直观感受一下条件独立性,如图9


图9

有2枚硬币,一仅仅均匀,还有一仅仅不均匀并且又90%的概率能正面朝上。当然,两枚硬币外观是全然一样的。

 

如今让你抽出一枚,准备扔2次。

你先扔了第一次,发现正面朝上,那么能够相信,第二次还是正面朝上的概率肯定添加了,这样第二次投硬币的结果受到了第一次投硬币的影响。

而我如今告诉你事实上你刚刚投的是均匀硬币(或者不均匀,无所谓的),那么你第二次投硬币的概率和第一次投出来的结果就失去了联系。

这就说明了条件有时会使变量之间的相关性丧失


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!