zoukankan      html  css  js  c++  java
  • Probabilistic Graphical Models:二、Bayes Network Fundamentals(1、Semantics & Factorization)

    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。

  • 相关阅读:
    Docker
    Web
    爬虫
    Python
    软件脱壳
    网络抓包
    HTTPS单向认证,双向认证
    新版无完整背景图片滑块验证码
    Frida Hook
    闭包函数与装饰器
  • 原文地址:https://www.cnblogs.com/llxrl/p/4338872.html
Copyright © 2011-2022 走看看