贝叶斯信念网络.ppt

六、贝叶斯信念网络 朴素贝叶斯分类器假定类条件独立，即给定样本的类标号Y，属性的值X之间相互条件独立。 但在实践中，变量之间的依赖可能存在。贝叶斯信念网络不要求给定类的所有属性都条件独立，而是允许指定哪些属性条件独立。它提供一种因果关系的图形。 * * * * 某水文站内装有一个小型的警报系统，与该警报是否拉响相关的因素有：洪水到来、地震发生，同时该系统还肩负着安全警报的功能，当水文站发生入室盗窃时，警报同样也会拉响。 而洪水的到来与降雨情况有关，地震的发生会反映在地震监测仪的报告中。同时，入室盗窃也会带来地震监测仪的扰动。在水文站以往的数据库中，关于以上这些因素都能找到详细的记录。 那么如何从这些数据中挖掘出有用的信息，来帮助工作人员进行决策呢？ 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。 问题引入： * * 1、有向无环图 例如，得肺癌受其家族肺癌史的影响，也受是否吸烟的影响。 * * 有向无环图 条件概率图 概率依赖 双亲或直接前驱 后继 非后继 独立 节点：随机变量 贝叶斯网络模型 网络的组成： （1）一个有向无环图：表示变量之间的依赖关系 （2）一个概率表：把各结点与它的直接父结点关联起来 贝叶斯网络的一个重要性质： 贝叶斯网络中的一个结点，如果它的父母结点已知，则它条件独立于它的所有非后代结点 概率表的建立 （1）如果结点X没有父母结点，则表中只包含先验概率P（X）； （2）如果结点X只有一个父母结点Y，则表中包含条件概率P（X|Y）。 （3）如果结点X有多个父母结点{Y1，Y2，...,Yk}，则表中包含条件概率P（X|Y1，Y2，...,Yk）。 一个简单的例子 由左图给出，它对下雨(R)引起草地变湿(W)建模。天下雨的可能性为４０％，并且下雨时草地变湿的可能性为９０％；也许１０％的时间雨下得不长，不足以让我们真正认为草地被淋湿了。 在这个例子中，随机变量是二元的：真或假。存在２０％的可能性草地变湿而实际上并没有下雨，例如，使用喷水器时。 * * * * 可以看到三个值就可以完全指定P(R,W)的联合分布。如果P(R)=0.4， 则P(~R)=0.6。类似地， ，而 这是一个因果图，解释草地变湿的主要原因是下雨。 我们可以颠倒因果关系并且做出诊断。 例如，已知草地是湿的，则下过雨的概率可以计算如下： * * 现在，假设我们想把喷水器（Ｓ）作为草地变湿的另一个原因，如下图所示。  节点Ｗ有两个父节点Ｒ和Ｓ，因此它的概率是这两个值上的条件概率 。 我们可以计算喷水器开着草地会湿的概率。这是一个因果（预测）推理： * * * * =0.1 给定草地是湿的，我们能够计算喷水器开着的概率。这是一个诊断推理。 * * 知道草是湿的增加了喷水器开着的可能。现在让我们假设下过雨，我们有： 注意，这个值比 小。这叫作解释远离explaining away; 给定已知下过雨，则喷水器导致湿草地的可能性降低了。已知草地是湿的，下雨和喷水器成为相互依赖的。 * * * * 某水文站内装有一个小型的警报系统，与该警报是否拉响相关的因素有：洪水到来、地震发生，同时该系统还肩负着安全警报的功能，当水文站发生入室盗窃时，警报同样也会拉响。 而洪水的到来与降雨情况有关，地震的发生会反映在地震监测仪的报告中。同时，入室盗窃也会带来地震监测仪的扰动。在水文站以往的数据库中，关于以上这些因素都能找到详细的记录。 那么如何从这些数据中挖掘出有用的信息，来帮助工作人员进行决策呢？ 七、贝叶斯信念网络应用实例 ：警报分析（马克威分析系统） * * 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。 * *