第七章分类与预测简析.ppt

* 贝叶斯信念网络 注意： 网络的内部节点可以选作“输出”节点，代表类标号属性；贝叶斯网络可以有多个输出节点。 贝叶斯信念网络的分类过程返回的不是单个类标号，而是返回类标号属性的概率分布，即预测每个类的概率。 一个简单的例子 根据左图，对下雨(R)引起草地变湿(W)进行建模。 P(R)=0.4：天下雨的可能性为40%；推知， P(~R)=0.6 ：下雨时草地变湿的可能性为90%；推知P(~W/R)=0.1 ：草地变湿而实际上并没有下雨的可能性为20%，例如，使用喷水器喷水。由此推知： * P(W/~R)=0.2 P(~W/~R)=0.8 * 这是一个因果图，解释草地变湿的主要原因是下雨。 如果颠倒因果关系，如已知草地是湿的，则应该如何推断下过雨的概率？ * 已知草地是湿的，则应该如何推断下过雨的概率？ 现在，假设我们想把喷水器（Ｓ）作为草地变湿的另一个原因，如下图所示。  此时，节点Ｗ（草地湿）有两个父节点Ｒ和Ｓ，因此它的概率是这两个值上的条件概率 。 则，喷水器开着时，草地会湿的概率如何推断？ * * =0.9 =0.1 给定草地是湿的，我们能够计算喷水器开着的概率。这是一个诊断推理。 * 其他的分类方法 基于案例的推