比较简单贝叶斯网络总结.docVIP

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 C P T 。 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