原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
If a local semantics in form of the independeny statements is given, i.e. I(X, Nondescendants(X)|Parents(X)) for each node X of the network, then the global semantics results: P (X1 … Xn) = ?ni=1 P (Xi|Parents(Xi)), and vice versa. For proving local semantics ? global semantics, we assume an ordering of the variables that makes sure that parents appear earlier in the ordering: Xi is parent of Xj then Xi Xj Global and local semantics 第三章 贝叶斯学习方法 3.1 极大似然估计 3.2 贝叶斯学习 3.2.1 贝叶斯决策 3.2.2 贝叶斯估计与预测 3.3 朴素贝叶斯方法 3.4 贝叶斯网络 P(X1, …, Xn) = ?ni=1 P (Xi|X1, …, Xi ?1) chain rule Parents(Xi) ? {X1, …, Xi ?1} P(Xi|X1, …, Xi ?1) = P (Xi|Parents(Xi), Rest) local semantics: I(X, Nondescendants(X)|Parents(X)) The elements of Rest are nondescendants of Xi, hence we can skip Rest Hence, P(X1 … Xn) = ?ni=1 P (Xi|Parents(Xi)), Global and local semantics 第三章 贝叶斯学习方法 3.1 极大似然估计 3.2 贝叶斯学习 3.2.1 贝叶斯决策 3.2.2 贝叶斯估计与预测 3.3 朴素贝叶斯方法 3.4 贝叶斯网络 Global and local semantics 第三章 贝叶斯学习方法 3.1 极大似然估计 3.2 贝叶斯学习 3.2.1 贝叶斯决策 3.2.2 贝叶斯估计与预测 3.3 朴素贝叶斯方法 3.4 贝叶斯网络 Assume: Then Bayes’s rule Chain rule By assumption Bayes’s rule Global and local semantics 第三章 贝叶斯学习方法 3.1 极大似然估计 3.2 贝叶斯学习 3.2.1 贝叶斯决策 3.2.2 贝叶斯估计与预测 3.3 朴素贝叶斯方法 3.4 贝叶斯网络 Let I(X,Z|Y) represent X and Z being conditionally independent given Y. Yes, just as in previous example: All X’s parents given, and Z is not a descendant. I(X,Z|Y) ? z U X V I (X,Z|U) ? I (X,Z|U,V) ? Global and local semantics 第三章 贝叶斯学习方法 3.1 极大似然估计 3.2 贝叶斯学习 3.2.1 贝叶斯决策 3.2.2 贝叶斯估计与预测 3.3 朴素贝叶斯方法 3.4 贝叶斯网络 ? X has no parents, so we’re know all its parents’ values trivially ? Z is not a descendant of X ? What if we do know the value of Y, though? Or one of its descendants? Global and local semantics 第三章 贝叶斯学习方法 3.1 极大似然估计 3.2 贝叶斯学习 3.2.1 贝叶斯决策 3.2.2 贝叶斯估计与预测 3.3 朴素贝叶斯方法 3.4 贝叶斯网络 Choose an ordering of variables X1, …, Xn For i = 1 to n add Xi to the network select parents from X1, …, Xi ?1 such that p(Xi|Parents(Xi)) = p(Xi|X1, …, Xi ?1)
文档评论（0）