首页 > 代码库 > 第二章 概率图模型的基本原理

第二章 概率图模型的基本原理

 

分为有向概率图模型(Directed Probabilistic Graphical Model),无向概率图模型(Undirected Probabilistic Graphical Model),混合概率图模型(Mixed Probabilistic Graphical Model)。

 

有向概率图模型:隐马尔科夫模型,贝叶斯网络,,动态贝叶斯网络

无向概率图模型:马尔科夫随机场,条件随机场

混合概率图模型:链图

 

隐马尔科夫模型(Hidden Markov Model, HMM)

技术分享

技术分享

技术分享

技术分享

 

HMM算法实现的基本问题:

(1)初始模型选取

不同初始模型得到的结果不同

(2)多个观察值

可能有多个序列,然后对参数进行估计

(3)前向和后向算法以及Baum-Welch算法随着计算增加,计算结果的数值变小,可能产生下溢。

需要对  

 

 

技术分享

 

贝叶斯网络的学习包含两个主要过程:学习贝叶斯网络结构,学习参数。

 

几种常用的贝叶斯分类器:

(1)朴素贝叶斯网络(Naive Bayesian Networks, NBN):

技术分享

(2)通用贝叶斯网络(General Bayesian Networks, GBN)

技术分享

技术分享

 

(3)增强型朴素贝叶斯网络(Tree-Augmented Naive Bayes, TAN)

 技术分享

技术分享

技术分享

 

(4)马尔科夫毯贝叶斯网络(Markov Blanket Bayesian Networks, MBBN)

技术分享

 

第二章 概率图模型的基本原理