首页 / 更多教程 / Probabilistic Graphical Models:二、Bayes Network Fundamentals(1、Semantics & Factorization)
Probabilistic Graphical Models:二、Bayes Network Fundamentals(1、Semantics & Factorization)
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Probabilistic Graphical Models:二、Bayes Network Fundamentals(1、Semantics & Factorization),小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含610字,纯文字阅读大概需要1分钟。
内容图文
![Probabilistic Graphical Models:二、Bayes Network Fundamentals(1、Semantics & Factorization)](/upload/InfoBanner/zyjiaocheng/1064/38fbe4ec3d8f4ac48f23137ec80ff9e3.jpg)
一、How to construct the dependency?
1、首字母即随机变量名称
2、I->G是更加复杂的模型,但Bayes里不考虑,因为Bayes只是无环图。
3、CPD = conditional probability distribution。图中的每一个点都是一个CPD,这里5个点,就有五个CPD。
二、Chain Rule for Bayesian Neatworks
将整个Bayes网络的所有节点所构成的联合概率(Joint probability)利用链式法则(chain rule)因式分解为多个条件概率之积。
步骤:
1、先从没有条件的根节点开始,乘上每个根节点概率;
2、从上往下(从根到叶)逐步写出每个节点的条件概率,如P(G|D,I)、P(S|I)再P(L|G)
三、小结
四、Joint Probability Distribution的特性
1、值非负(P>=0);
2、联合分布的所有可能性之和为1;
3、P factorizes over G,P可用G中的CPD因式分解表示。
原文:http://www.cnblogs.com/llxrl/p/4338872.html
内容总结
以上是互联网集市为您收集整理的Probabilistic Graphical Models:二、Bayes Network Fundamentals(1、Semantics & Factorization)全部内容,希望文章能够帮你解决Probabilistic Graphical Models:二、Bayes Network Fundamentals(1、Semantics & Factorization)所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。