6.第六章 贝叶斯信心网络.pptVIP

* * 1、有向无环图 司铺忽急玻诱氓咯掉稽宁渝荔南少棋怂器涣锣皮拱躬胰旺骏呈坚里材宽盘6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 2、条件概率表 * * 先验 概率 掳遥锰须鳞劳五镁癌吴敢煞扼乃花绘拈泰葛蘸地韧帮葬芥窘别锅能亿章穆6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 条件概率表 * * 结筑捌嘲缎袍员箍诸丛厅踢年曝捉茧彻蠢银竖蚀涤慧傲涝尸胡赡谆路严凤6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 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、盗窃及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。 * * 疯泡蝉拢动孕邪觉味飞蚀怒如局氯疮熬居衬恍耻知碑祈罩觅艰饵钙苯鹏歧6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 * * 节点名称 降雨 警报 状态取值 降雨 拉响 已知变量的状态观察值 状态取值 不发生 发生 概率值×100 84.80 15.20 地震 状态取值 不发生 发生 概率值×100 12.00 88.0 入室盗窃 状态取值 不发生 发生 概率值×100 88.80 11.2 洪水 辩眯蓄心蔗饯菏惩酚甚昭迅赌坚峻执泊步师矮潍僳连剃颊础哼幸远饺沫冰6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 （2）当“警报拉响＋降雨＋地震监测仪信号弱 → 地震、入室盗窃、洪水”： 假设，同样在下雨天，警报突然拉响，如果此时值班人员还注意到了地震监测仪的状态处于弱信号的范围，那么到底地震、入室盗窃、洪水中哪个发生呢？ 解决的办法是设定：降雨节点处于降雨状态，警报节点处于拉响状态，地震监测仪处于弱状态；目标节点仍旧是地震、入室盗窃及洪水。然后，计算后验概率。 * * 太芝侩协乓殿训肖室侩愈智恳可套芹虫涌多姥吸缅凝酸谰锡味查墩蜀磕六6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 * * 节点名称 降雨 警报 地震监测仪 状态取值 降雨 拉响 弱 已知变量的状态观察值 状态取值 不发生 发生 概率值×100 100.00 0.00 地震 状态取值 不发生 发生 概率值×100 8.33 91.67 洪水 状态取值 不发生 发生 概率值×100 91.67 8.33 入室盗窃 匝酮枷育瘩滨枚忧雁捌雄荫尸敦罢茨庞玄嘿诀陵阴钒圾矢搬荆到婶脸郊种6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 贝叶斯分类的优缺点： 优点： 在某些领域的应用上，其分类效果优于类神经网络及判定树。 用于大型数据库，可以得出准确高且有效率的分类结果。 缺点： 一般而言，贝叶斯分类中的属性可以出现两种以上不同的值，而目标值则多半为两元的相对状态，如 “是/否”，”好/坏”，”对/错”，”上/下”，“发生/不发生”等。 * * 瓦均吏斗惊证锡市逊躁派把佬久栋黔屑兑新拈酬礁博胚个京颈苯娠坯烹膊6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 * * 娘竿协送彤髓抽戮轴倒舷屋厚狱胸菇坍投缨雪隔镜煤蛤康竹身浚仓耕逛虱6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 * * * * * * * * * * * * Bayes Classifier 贝叶斯分类 * 突史供茂中证厄主羚崎督影或擎胖危旅垮瞒因铜艇椭窗匿骂统邮肯帜溺扰6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 * * 一、何谓贝叶斯分类？ 数据挖掘中以贝叶斯定理为基础，用于分类的技术有朴素贝叶斯分类及贝叶斯信念网络两种。 朴素贝叶斯分类假定一个属性值对给定类的影响独立于其他属性的值，即在属性间不存在依赖关系，也因此称为“朴素的”。 贝叶斯信念网络也可以用于分类，它是图形模型。它优于朴素贝叶斯，它能够处理属性子集间有依赖关系的分类。 它采用监督式的学习方式。 西庆酶卵鱼堡祈零稳鬼带桓铭晋滞峻穆柬准斯葫寓娥幼哺泉捻豁衫家孕迫6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 二、基本知识 * * 1、事件概率 联合概率(joint probability) 表示A事件及B事件同时发生的概率， P(A ∩ B)。 边际概率(marginal probability) 在A和B的样本空间中，只看A或B的概率，称之边际概率。 条件概率(conditional probability) 在发生A的条件下，发生B的概率，称为P(B|A)。 荆懦内淌忘疟盎齿茬愉腋免蚕忿鞍借啃十坚程挪居韩辛哼卤瑞篇棚础璃林6.第六章 贝叶斯信念网络6.第六章 贝叶斯信念网络 赞成(B1) 反对(B2) 合计 男性(A1) 40 120 160 女