贝叶斯网络简介解析.pptVIP

完备的：是指概率之和为1；互斥的：是指同一时刻这能取得一个状态。 贝叶斯网络 詹敏 贝叶斯网络 贝叶斯网络(Bayesian Network)是20世纪80年代发展起来的，由Judea Pearl(朱迪亚?佩尔)于1986年提出。 贝叶斯网络起源于贝叶斯统计分析理论，它是概率论和图论相结合的产物。 贝叶斯网络是一种描述不确定性知识和推理问题的方法。 文本分类（如：垃圾邮件的过滤） 医学诊断 ...... * 贝叶斯网络 1、引例 2、贝叶斯概率基础 3、贝叶斯网络概述 4、贝叶斯网络的预测、诊断和训练 4.1 贝叶斯网络的预测 4.2 贝叶斯网络的诊断 4.3 贝叶斯网络的训练 5、贝叶斯网络的优越性 * 1、引例 一个有关概率推理的例子。 图中有六个结点： 参加晚会(Party, PT) 宿醉(Hangover, HO) 头疼(Headache, HA) 患脑瘤(Brain tumor, BT) 有酒精味(Smell alcohol, SA) X射线检查呈阳性(Pos Xray, PX) Party Hangover Brain Tumor Headache Smell Alcohol Pos Xray * 1、引例 一个有关概率推理的例子。 图中有五条连线： PT?HO HO?SA HO?HA BT?HA BT?PX Party Hangover Brain Tumor Headache Smell Alcohol Pos Xray * 1、引例 参加晚会后，第二天呼吸中有酒精味的可能性有多大？ 如果头疼，患脑瘤的概率有多大？ 如果参加了晚会，并且头疼，那么患脑瘤的概率有多大？ ...... Party Hangover Brain Tumor Headache Smell Alcohol Pos Xray 这些问题都可通过贝叶斯网络加以解决。 * 先验概率：根据历史资料或主观判断所确定的各种事件发生的概率。 先验概率可分为两类： 客观先验概率：是指利用过去的历史资料计算得到的概率(如：在自然语言处理中，从语料库中统计词语的出现频率——客观先验概率)； 主观先验概率：是指在无历史资料或历史资料不全的时候，只能凭借人们的主观经验来判断取得的概率。 2、贝叶斯概率基础 * 后验概率：是指利用贝叶斯公式，结合调查等方式获取了新的附加信息，对先验概率修正后得到的更符合实际的概率。 条件概率：是指当条件事件发生后，该事件发生的概率。 2、贝叶斯概率基础 条件概率的计算可以通过两个事件各自发生 的概率，以及相反方向的条件概率得到。 * 3、贝叶斯网络概述 贝叶斯网络是描述随机变量（事件）之间依赖关系的一种图形模式，是一种可用来进行推理的模型。 贝叶斯网络通过有向图的形式来表示随机变量间的因果关系，并通过条件概率将这种因果关系量化。 Party Hangover Brain Tumor Headache Smell Alcohol Pos Xray * 3、贝叶斯网络概述 一个贝叶斯网络由网络结构和条件概率表两部分组成。 网络结构是一个有向无环图，由若干结点和有向弧组成。 * 3、贝叶斯网络概述 一个贝叶斯网络由网络结构和条件概率表两部分组成。 条件概率表：是指网络中的每个结点都有一个条件概率表，用于表示其父结点对该结点的影响。 当网络中的某个结点没有父结点时，该结点的条件概率表就是该结点的先验概率。 * 贝叶斯网络的3个重要议题： 贝叶斯网络预测：是指已知一定的原因，利用贝叶斯网络进行计算，求出由原因导致结果的概率。 贝叶斯网络诊断：是指已知发生了某些结果，根据贝叶斯网络推理出造成该结果发生的原因以及发生的概率。 贝叶斯网络学习(训练)：是指利用现有数据对先验知识进行修正的过程，每一次学习都对贝叶斯网络的先验概率进行调整，使得新的贝叶斯网络更能反映数据中所蕴含的知识。 3、贝叶斯网络概述 * 4、贝叶斯网络的预测、诊断和训练 此处将以下图为例，分别介绍贝叶斯网络的预测、诊断和训练。 Party Hangover Brain Tumor Headache Smell Alcohol Pos Xray 预测和诊断需要 已知网络结构和 图中每个结点的 条件概率表。 训练需要先建立 网络结构，再计 算每个结点的条 件概率表。 * 4、贝叶斯网络的预测、诊断和训练 为了使用贝叶斯网络进行预测和诊断，假设网络已经训练好，即：网络中的所有先验概率和条件概率全部已知。 图中Party和Brain Tumor两个结点是原因结点，没有连线以它们为终点。它们的无条件概率如下表所示： 该表中给出了这两个事件发生的概率：PT发生的概率是0.2，不发生的概率是0.8；BT发生的概率是0.001，不发生的概率是0.999。 ? P(PT) P(BT