k2,爬山摘要.pptVIP

图分隔与变量独立 贝叶斯网是概率论和图论相结合的产物。在一个贝叶斯网中，一方面可以从概率论的角度谈论变量之间的依赖与独立，另一方面也可以从图论的角度谈论节点之间的连通与分隔。 d – 分隔 u – 分隔 d – 分隔与u – 分隔关系 结构学习 结构学习一般分为两步讨论，即模型选择 （ model selection）和模型优化（ model optimization）。 模型选择是要回答用什么样的准则评价不同模型的优劣。 模型优化是要把最优的模型结构找出来。 基于搜索评分的方法:模型选择常用的评分准则：1、最优参数对数似然函数：基于似然函数的评分准则（使似然函数达到最大）；2、 Cooper-Herskovits 评分：基于贝叶斯框架；3、BIC评分（ Bayesian Information Criterion）：基于大样本前提。  模型优化：评价网络结构的优劣可以用一个评分函数（ Scoring Function）来度量，选择得分高的模型。 模型优化的常见方法（基于评分函数的可分解结构）（ 1）穷举法：逐一计算每个结构的评分，选出得分最高的；（ 2） K2算法：通过逐渐加边寻找评分高的模型 前提-参数的先验分布都为均匀分布 -事先确定变量的顺序及父节点数的上限 （ 3）爬山法：从无边