issuesinbayesiannetworks-資料下載頁(yè)
【導(dǎo)讀】貝葉斯網(wǎng)作為框架對(duì)其他模型的分析。圖論觀點(diǎn)和概率論觀點(diǎn)的對(duì)應(yīng)。貝葉斯網(wǎng)上的推理。被證明是NPC，變量消元法。分為結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)。隨著變量數(shù)量指數(shù)增長(zhǎng)。利用問(wèn)題中的獨(dú)立性簡(jiǎn)化分布的表示。對(duì)于任意的，如果存在，則得到。每個(gè)節(jié)點(diǎn)，從中向X引一條有向邊。在語(yǔ)義上，使聯(lián)合概率分布的一種表示。雖然沒(méi)有進(jìn)一步減少?gòu)?fù)雜度，但為概論推理提供了方。在給出某些變量的取值的條件下，計(jì)算貝葉斯。根據(jù)查詢(xún)變量和證據(jù)變量的位置不同，后驗(yàn)假設(shè)問(wèn)題。推斷發(fā)生地震的概率。2，從原因到結(jié)果的預(yù)測(cè)推斷，如已知發(fā)生盜竊。3，在統(tǒng)一結(jié)果的不同原因之間的原因關(guān)聯(lián)推理，如。，推斷鈴響的概率。無(wú)論何種類(lèi)型的推理問(wèn)題，都可通過(guò)將全局聯(lián)合。概率分布中的某些項(xiàng)相加獲得。1，CPT是貝葉斯網(wǎng)絡(luò)的條件概率分布集合。是在數(shù)據(jù)上統(tǒng)計(jì)滿(mǎn)足條件的樣本數(shù)目，例在貝葉斯網(wǎng)絡(luò)Bn中學(xué)習(xí)一個(gè)父節(jié)點(diǎn)為。利用p和u限制搜索空間，在以下空間中尋找最。P是所得貝葉斯網(wǎng)絡(luò)的一個(gè)拓?fù)湫蛄?
【正文】 ng BN Buy puter age ine student Creditrating Example for training BN 數(shù)據(jù)不完整的 BN網(wǎng)絡(luò)參數(shù)學(xué)習(xí) ? 一般使用 EM算法 ? Loop ? 1，使用學(xué)習(xí)好的參數(shù)將不完整數(shù)據(jù)補(bǔ)充完整 ? 2，利用補(bǔ)充好的數(shù)據(jù)學(xué)習(xí)參數(shù) ? 3， if condition==false go to loop 貝葉斯網(wǎng)的結(jié)構(gòu)學(xué)習(xí) ? 基于評(píng)分 搜索結(jié)構(gòu)學(xué)習(xí)一般分為： ? 模型選擇 ? 模型優(yōu)化 模型選擇 ? 幾種模型選擇參數(shù)： ? CooperHerskovits評(píng)分 (CH) ? 貝葉斯信息準(zhǔn)則 (BIC) ? Akaike信息準(zhǔn)則 (AIC) 模型優(yōu)化 ? 實(shí)際為搜索一個(gè)在某種評(píng)分標(biāo)準(zhǔn)下的最優(yōu)結(jié)構(gòu) ? 窮舉法 ? 回溯 ? 分支界定 ? 啟發(fā)式搜索 11( 1 ) 1!( ) ( 1 ) ( ) , 1( ) ! !niifnf n f n i nn i i?????? ? ? ? ?? ?? ?爬山法 ? 貪心策略的應(yīng)用 ? 需要用到隨機(jī)策略 ? 缺點(diǎn)：不能找到全局最優(yōu)解 啟發(fā)式搜索 ? K2 ? 輸入： X一組變量， p一個(gè)變量順序， u變量父節(jié)點(diǎn)上限， D樣本數(shù)據(jù) ? 輸出：一個(gè)貝葉斯網(wǎng)絡(luò) ? 利用 p和 u限制搜索空間，在以下空間中尋找最優(yōu)模型： ? 任意變量的父節(jié)點(diǎn)數(shù)量不超過(guò) u ? P是所得貝葉斯網(wǎng)絡(luò)的一個(gè)拓?fù)湫蛄?
鄂ICP備17016276號(hào)-1