比较简单的贝叶斯网络总结计划.docx

贝 叶 斯 网 络 贝 叶斯 网 络 是一 系 列 变 量的 联 合 概率 分 布 的图 形 表 示 。 一般包含两个部分，一个就是贝叶斯网络结构图，这是一个有向无环图（ DAG ），其中图 中的每个节点代表相应的变量， 节点之间的连接关系代表了贝叶斯网络的条件独立语义。 另一部分，就是节点和节点之间的 条件概率 表（ CPT ），也就是一系列的概率值。如果一个贝叶斯网络提供了足够的 条件概率 值，足以计算任何给定的联合概率，我们就称，它是可计算的，即可推理的。 3 . 5 . 1 贝 叶 斯 网 络 基 础 首先从一个具体的实例（医疗诊断的例子）来说明贝叶斯网络的构造。 假 设 ： 命 题 S ( m o k e r ) ： 该 患 者 是 一 个 吸 烟 者 命 题 C ( o a l M i n e r ) ： 该 患 者 是 一 个 煤 矿 矿 井 工 人 命 题 L ( u n g C a n c e r ) ： 他 患 了 肺 癌 命 题 E ( m p h y s e m a ) ： 他 患 了 肺 气 肿 命题 S 对命题 L 和命题 E 有因果影响，而 C 对 E 也有因果影响。 命 题之 间 的 关系 可 以 描 绘成 如 右 图所 示 的 因果 关 系 网 。 因此，贝叶斯网有时也叫因果网，因为可以将连接结点的弧认为是表达了直接的因果关系。 图 3 - 5 贝 叶 斯 网 络 的 实 例 欢迎共阅 中表达了 叶斯网的两个要素：其一 叶斯网的 构，也就是各 点的 承关系，其二就是 条件概率表 CPT。若一个 叶斯网可 算， 两个条件缺一不可。 叶斯网由一个有向无 （ DAG ）及描述 点之 的概率表 成。其中每个 点 一个 随机 量。 个 表达了分布的一系列有条件独立属性： 在 定了父 点的状 后， 每个 量与 它在 中的非 承 点在概率上是独立的。 抓住了概率分布的定性 构， 并被开 来做高效推 理 和 决 策 。 叶斯网 能表示任意概率分布的同 ，它 些能用 构表示的分布提供了可 算 。 ? 假 于 点 xi ，其双 点集 Pai ，每个 量 xi 的条件概率 P(xi|Pai) 。 点集合 X = { x 1 , x 2 , ? , x n } 的 合 概 率 分 布 可 如 下 算 ： 。 双 点 。 点 得 上 一 代 点 。 等式暗示了早先 定的 构有条件独立 。它 明 叶斯网 所表示的 合分布作 一些 独的局部交互作用模型的 果具有因式分解的表示形式。 迎共 从贝叶斯网的实例图中，我们不仅看到一个表示因果关系的结点图，还看到了贝叶斯网中的每个变量的条件概率 表（ CPT ）。因此一个完整的随机变量集合的概率的完整说明不仅包含这些变量的 贝 叶 斯 网 ， 还 包 含 网 中 变 量 的 条 件 概 率 表 。 图 例 中 的 联 合 概 率 密 度 ： P(S,C,L,E)=P(E|S,C)*P(L|S)*P(C)*P(S) 推导过程： P(S,C,L,E)=P(E|S,C,L)*P(L|S,C)*P(C|S)*P(S) （贝叶斯定理） ＝P(E|S,C)*P(L|S)*P(C)*P(S) 即：P(E| S,C,L)＝P(E| S,C),E 与 L 无 关 P(L|S,C)=P(L|S) L 与 C 无 关 P(C|S)=P(C) C 与 S 无 关 以上三条等式的正确性，可以从贝叶斯网的条件独立属性推出：每个变量与它在图中的非继 承 节 点 在 概 率 上 是 独 立 的 。 相 比 原 始 的 数 学 公 式 ： P(S,C,L,E)=P(E|S,C,L)*P(L|S,C)*P(C|S)*P(S) 推 导 过 程 ： 由贝叶斯定理，P(S,C,L,E)= P(E|S,C,L)*P(S,C,L) 再由贝叶斯定理 P(S,C,L)=P(L|S,C)*P(S,C) 同 样 ， P ( S,C) = P(C| S ) * P ( S ) 以 上 几 个 等 式 相 乘 即 得 原 式。? 显然，简化后的公式更加简单明了，计算复杂度低很多。如果原贝叶斯网中的条件独立语义 数 量 较 多 ， 这 种 减 少 更 加 明 显 。 贝叶斯网络是一系列变量的联合概率分布的图形表示。这种表示法最早被用来对专家的不确 定知识编码， 今天它们在现代专家系统、 诊断引擎和决策支持系统中发挥了关键作用。 贝叶斯网络欢迎共阅 的一个被经常提起的优点是它们具有形式的概率语义并且能作为存在于人类头脑中的知识结构的自然映像。这有助于知识在概率分布方面的编码和解释，使基于概率的推理和最佳决策成为可能。 3 . 5 . 2 贝