贝叶斯网络课件.pptVIP

*【例7.2】计算已知参加晚会的情况下，第二天早晨呼吸有酒精味的概率。首先，由表7.3可以看出，当PT发生时，HO发生的概率是0.7。也就是说，当参加晚会后，宿醉发生的概率是0.7，不发生的概率是O.3。由全概率公式P(+SA)=P(+H0)P(+SA︱+H0)+P(-H0)P(+SA︱-H0)=O.7×O.8+0.3×0.1=O.59**【例7.3】计算已知参加晚会的情况下，头疼发生的概率。由表7.3可知，当PT发生时，HO发生的概率是0.7，不发生的概率是0.3；由表7.2可以看出，BT发生的概率是0.001，不发生的概率是0.999。已知HO和BT后，根据全概率公式，得到P(+HA)=P(+H0)P(+BT)P(+HA︱+H0+BT)+P(+H0)P(-BT)×0.7+P(-HO)P(+BT)×0.9+P(-HO)P(-BT)×0.02=0.7*0.001*0.99+0.7*0.999*0.7+0.3*0.001*0.9+0.3*0.999*0.02=0.496467P(-HA)=l-P(+HA)=0.503533也就是说，如果知道已经参加了晚会，而没有其他方面的任何证据，则这个人头疼的概率是0.496，不头疼的概率是0.504。表7．3表7．6B**读者可以比较分析例7．1和例7．3的结果:由于参加晚会，头疼发生的概率大大增加了。结合上面给出的三个例子，下面给出贝叶斯网络预测算法的步骤描述。如下所示。?输入:给定贝叶斯网络B(包括网络结构m个结点以及某些结点间的连线、原因结点到中间结点的条件概率或联合条件概率)，给定若干个原因结点发生与否的事实向量F(或者称为证据向量)，给定待预测的某个结点t。输出:结点t发生的概率。(1)把证据向量输入到贝叶斯网络B中。(2)对于B中的每一个没处理过的结点n，如果它具有发生的事实(证据)，则标记它为已经处理过；否则继续下面的步骤。(3)如果它的所有父结点中有一个没有处理过，则不处理这个结点；否则，继续下面的步骤。(4)根据结点n的所有父结点的概率以及条件概率或联合条件概率计算结点n的概率分布，并把结点n标记为已处理。(5)重复步骤(2)～(4)，共m次。此时，结点f的概率分布就是它的发生／不发生的概率。算法结束。需要注意的是，第(5)步的作用是使得每个结点都有被计算概率分布的机会。*数据仓库与数据挖掘**第7章贝叶斯网络*贝叶斯网络是20世纪80年代发展起来的,最早由JudeaPearl于1986年提出,多用于专家系统,成为表示不确定性知识和推理问题的流行方法。贝叶斯网络最早起源于贝叶斯统计分析,它是概率理论和图论相结合的产物。本章通过引例讨论贝叶斯网络需要解决的问题；介绍贝叶斯概率基础；对贝叶斯网络进行概述；讲解贝叶斯网络的预测、诊断和训练算法。**7.l引例先看一个关于概率推理的例子。图7．1中有6个结点:参加晚会(party，PT)、宿醉(hangover，HO)、患脑瘤(braintumor，BT)、头疼(headache，HA)、有酒精味(smellalcohol，SA)和X射线检查呈阳性(posxray，PX)。可以把图7．1想象成为这样一个场景:一个中学生回家后，其父母猜测她参加了晚会，并且喝了酒；第二天这个学生感到头疼，她的父母带她到医院做头部的X光检查……图7.1基于结点间概率关系的推理?**通过长期的观察，或者从别人那里了解，这个中学生的父母知道他们的女儿参加晚会的概率。通过长时间的数据积累，他们也知道他们的女儿参加晚会后宿醉的概率。因此，结点party和结点hangover之间有一条连线。同样，有明显的因果关系或相关关系的结点之间都有一条连线，并且连线从原因结点出发，指向结果结点。针对图7.1所示的网络，有许多问题需要解决。例如:1)如果父母已知他们的女儿参加了晚会，那么第二天一早，她呼出的气体中有酒精味的概率有多大?也就是说，当party发生时，smellalcohol发生的概率有多大?2)如果他们的女儿头疼，那么她患脑瘤的概率有多大?这时，如果他们又知道昨晚她参加了晚会，那么综合这些情况，她患脑瘤的可能性有多大?这两个例子都是从原因推理结果的。还有许多从结果反推原因的例子。例如，如果父母早晨闻到他们的女儿呼出的气体中有酒精味，那么她昨晚参加晚会的概率有多大?等等。为了系统地解决上面的各类问题，需要先掌握一定的概率基础知