机器学习汇总讲述.ppt

条件独立性 精确定义条件独立性 令X, Y和Z为3个离散值随机变量，当给定Z值时X服从的概率分布独立于Y的值，称X在给定Z时条件独立于Y，即 上式通常简写成P(X|Y,Z)=P(X|Z) 扩展到变量集合 下面等式成立时，称变量集合X1...Xl在给定变量集合Z1...Zn时条件独立于变量集合Y1...Ym 条件独立性与朴素贝叶斯分类器的之间的关系 贝叶斯信念网的表示 贝叶斯信念网（简称贝叶斯网）表示一组变量的联合概率分布 一般地说，贝叶斯网表示联合概率分布的方法是指定一组条件独立性假定（有向无环图）以及一组局部条件概率集合 下页图，联合空间中每个变量在贝叶斯网中表示为一个节点，每个变量需要两种类型的信息 网络弧表示断言“此变量在给定其直接前驱时条件独立于其非后继” 每个变量有一个条件概率表，描述了该变量在给定其立即前驱时的概率分布 Storm BusTourGroup Lightning Thunder ForestFire Campfire S,B S,┐B ┐S,B ┐S,┐B C 0.4 0.1 0.8 0.2 ┐C 0.6 0.9 0.2 0.8 Campfire 贝叶斯信念网的表示（2） 对网络变量的元组Y1...Yn赋以所希望的值(y1...yn)的联合概率计算公式如下： 所有变量的局部条件概率表以及由网络所描述的一组条件独立假定，描述了该网络的整个联合概率分