机器学习课件 7.3贝叶斯网络参数学习.pptxVIP

贝叶斯网络参数学习

贝叶斯网络参数学习（参数估计）：在给定网络结构的基础上，从训练数据中学习得到结点的条件概率分布表的过程。贝叶斯网络参数学习贝叶斯网络主要是处理离散数据，因此在参数学习过程中，通常假设网络中变量的状态是离散的或是呈现高斯分布。在实际应用中，结点变量一般是不满足高斯分布的，通常可以采用等频率或者等区间的离散型方法对训练数据进行离散化。

训练数据中所有变量状态都可观测贝叶斯方法(Bayesianestimation，BE)最大似然估计方法(maximumlikelihoodestimation，MLE)某些结点变量的状态未必能观测最大期望(expectationmaximization，EM)贝叶斯网络参数学习

最大似然估计方法(maximumlikelihoodestimate,MLE)实例数据完备情况下的学习方法。它依据参数与数据集的似然程度来选择参数。贝叶斯网络参数学习

最大似然估计方法?贝叶斯网络—贝叶斯网络参数学习

最大似然估计方法?贝叶斯网络—贝叶斯网络参数学习?

最大似然估计方法概率是频率的一种逼近，属于传统统计方法。贝叶斯方法基于贝叶斯公式，认为代表不确定性的概率参数是由先验知识和观察到数据集共同决定的。贝叶斯网络参数学习?

贝叶斯方法?贝叶斯网络参数学习

贝叶斯方法?贝叶斯网络参数学习

贝叶斯方法?贝叶斯网络参数学习常见的共轭分布二项