6第六章_贝叶斯信念网络.ppt

* * 1、有向无环图 2、条件概率表 * * 先验 概率 条件概率表 * * 3、推理 （1）当“警报拉响＋降雨 →地震、入室盗窃、洪水”： 假设某时刻警报突然拉响了，且此时正在下雨，值班人员要判断此时发生地震、盗窃和洪水的概率分别是多少，以便采取相应的措施加以应对。 首先，设置警报和降雨为已知节点，观察值分别为拉响和降雨；并且指定地震、入室盗窃和洪水为目标节点。然后计算各种情况发生的后验概率。 * * * * 节点名称 降雨 警报 状态取值 降雨 拉响 已知变量的状态观察值 状态取值 不发生 发生 概率值×100 84.80 15.20 地震 状态取值 不发生 发生 概率值×100 12.00 88.0 入室盗窃 状态取值 不发生 发生 概率值×100 88.80 11.2 洪水 （2）当“警报拉响＋降雨＋地震监测仪信号弱 → 地震、入室盗窃、洪水”： 假设，同样在下雨天，警报突然拉响，如果此时值班人员还注意到了地震监测仪的状态处于弱信号的范围，那么到底地震、入室盗窃、洪水中哪个发生呢？ 解决的办法是设定：降雨节点处于降雨状态，警报节点处于拉响状态，地震监测仪处于弱状态；目标节点仍旧是地震、入室盗窃和洪水。然后，计算后验概率。 * * * * 节点名称 降雨 警报 地震监测仪 状态取值 降雨 拉响 弱 已知变量的状态观察值 状态取值 不发生 发生 概率值×100 100.00 0.00 地震 状态取值 不发生 发生 概率值×100 8.33 91.67 洪水 状态取值 不发生 发生 概率值×100 91.67 8.33 入室盗窃 贝叶斯分类的优缺点： 优点： 在某些领域的应用上，其分类效果优于类神经网络和判定树。 用于大型数据库，可以得出准确高且有效率的分类结果。 缺点： 一般而言，贝叶斯分类中的属性可以出现两种以上不同的值，而目标值则多半为两元的相对状态，如 “是/否”，”好/坏”，”对/错”，”上/下”，“发生/不发生”等。 * * * * * * * * * * * * * * * * Bayes Classifier 贝叶斯分类 * * * 一、何谓贝叶斯分类？ 数据挖掘中以贝叶斯定理为基础，用于分类的技术有朴素贝叶斯分类和贝叶斯信念网络两种。 朴素贝叶斯分类假定一个属性值对给定类的影响独立于其他属性的值，即在属性间不存在依赖关系，也因此称为“朴素的”。 贝叶斯信念网络也可以用于分类，它是图形模型。它优于朴素贝叶斯，它能够处理属性子集间有依赖关系的分类。 它采用监督式的学习方式。 二、基本知识 * * 1、事件概率 联合概率(joint probability) 表示A事件和B事件同时发生的概率， P(A ∩ B)。 边际概率(marginal probability) 在A和B的样本空间中，只看A或B的概率，称之边际概率。 条件概率(conditional probability) 在发生A的条件下，发生B的概率，称为P(B|A)。 赞成(B1) 反对(B2) 合计 男性(A1) 40 120 160 女性(A2) 10 30 40 合计 50 150 200 * 联合概率：P(男性，赞成) = P(A1∩B1) = 40/200 =0.2 边际概率: P(赞成)=P(B1)= P(A1∩B1)+ P(A2∩B1)=0.25 条件概率: P(赞成|男性)=P(B1|A1)= P(A1∩B1)/ P(A1)=0.25 * 举例： 2、乘法法则(Multiplicative rule) * * 3、独立事件 设事件Ａ和事件Ｂ满足以下条件： 则称Ａ与Ｂ为『独立事件』。 三、贝叶斯定理 * 表示先验概率(Prior probability)。 表示后验概率(Posteriori probability)， 先验概率是由以往的数据分析得到的。根据样本数据得到更多的信息后，对其重新修正，即是后验概率。 * * 例：旅客搭乘飞机必须经电子仪器检查是否身上携带金属物品。 如果携带金属，仪器会发出声音的概率是97%，但身上无金属物品仪器会发出声音的概率是5%。已知一般乘客身上带有金属物品的概率是30%，若某旅客经过仪器检查时发出声音，请问他身上有金属物品的概率是多少？