第7章贝叶斯网络.pptVIP

数据仓库与数据挖掘 第7章 贝叶斯网络 第7章 贝叶斯网络 7.1 引例 7.2 贝叶斯概率基础 7.3 贝叶斯网络概述 7.4 贝叶斯网络的预测、诊断和训练算法 7.5 工具包应用 7.1 引例 参加晚会后，第二天早晨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？ 7.2 贝叶斯概率基础 7.2.1 先验概率、后验概率和条件概率 7.2.2 条件概率公式 7.2.3 全概率公式 7.2.4 贝叶斯公式 7.2.1 先验概率、后验概率和条件概率 先验概率：根据历史的资料或主观判断所确定的各种时间发生的概率 后验概率：通过贝叶斯公式，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：某事件发生后该事件的发生概率 7.2.2 条件概率公式 条件概率的计算可以通过两个事件的发生概率，以及相反方向的条件概率得到 7.2.3 全概率公式 基本事件的互斥性 基本事件的完备性 7.2.4 贝叶斯公式 独立互斥且完备的先验事件概率可以由后验事件的概率和相应条件概率决定 7.3 贝叶斯网络概述 7.3.1 贝叶斯网络的组成和结构 7.3.2 贝叶斯网络的优越性 7.3.3 贝叶斯网络的3个主要议题 7.3.1 贝叶斯网络的组成和结构 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