樸素貝葉斯分類-資料下載頁
2025-04-08 23:55本頁面
【正文】 這個性質(zhì)很類似Markov過程。其實，貝葉斯網(wǎng)絡(luò)可以看做是Markov鏈的非線性擴展。這條特性的重要意義在于明確了貝葉斯網(wǎng)絡(luò)可以方便計算聯(lián)合概率分布。一般情況先，多變量非獨立聯(lián)合條件概率分布有如下求取公式： 而在貝葉斯網(wǎng)絡(luò)中，由于存在前述性質(zhì)，任意隨機變量組合的聯(lián)合條件概率分布被化簡成 其中Parents表示xi的直接前驅(qū)節(jié)點的聯(lián)合，概率值可以從相應(yīng)條件概率表中查到。 貝葉斯網(wǎng)絡(luò)比樸素貝葉斯更復(fù)雜，而想構(gòu)造和訓(xùn)練出一個好的貝葉斯網(wǎng)絡(luò)更是異常艱難。但是貝葉斯網(wǎng)絡(luò)是模擬人的認知思維推理模式，用一組條件概率函數(shù)以及有向無環(huán)圖對不確定性的因果推理關(guān)系建模，因此其具有更高的實用價值。、貝葉斯網(wǎng)絡(luò)的構(gòu)造及學(xué)習(xí) 構(gòu)造與訓(xùn)練貝葉斯網(wǎng)絡(luò)分為以下兩步： 確定隨機變量間的拓撲關(guān)系，形成DAG。這一步通常需要領(lǐng)域?qū)＜彝瓿?，而想要建立一個好的拓撲結(jié)構(gòu)，通常需要不斷迭代和改進才可以。 訓(xùn)練貝葉斯網(wǎng)絡(luò)。這一步也就是要完成條件概率表的構(gòu)造，如果每個隨機變量的值都是可以直接觀察的，像我們上面的例子，那么這一步的訓(xùn)練是直觀的，方法類似于樸素貝葉斯分類。但是通常貝葉斯網(wǎng)絡(luò)的中存在隱藏變量節(jié)點，那么訓(xùn)練方法就是比較復(fù)雜，例如使用梯度下降法。由于這些內(nèi)容過于晦澀以及牽扯到較深入的數(shù)學(xué)知識，在此不再贅述，有興趣的朋友可以查閱相關(guān)文獻。、貝葉斯網(wǎng)絡(luò)的應(yīng)用及示例 貝葉斯網(wǎng)絡(luò)作為一種不確定性的因果推理模型，其應(yīng)用范圍非常廣，在醫(yī)療診斷、信息檢索、電子技術(shù)與工業(yè)工程等諸多方面發(fā)揮重要作用，而與其相關(guān)的一些問題也是近來的熱點研究課題。例如，Google就在諸多服務(wù)中使用了貝葉斯網(wǎng)絡(luò)。 就使用方法來說，貝葉斯網(wǎng)絡(luò)主要用于概率推理及決策，具體來說，就是在信息不完備的情況下通過可以觀察隨機變量推斷不可觀察的隨機變量，并且不可觀察隨機變量可以多于以一個，一般初期將不可觀察變量置為隨機值，然后進行概率推理。下面舉一個例子。 還是SNS社區(qū)中不真實賬號檢測的例子，我們的模型中存在四個隨機變量：賬號真實性R，頭像真實性H，日志密度L，好友密度F。其中H，L，F(xiàn)是可以觀察到的值，而我們最關(guān)系的R是無法直接觀察的。這個問題就劃歸為通過H，L，F(xiàn)的觀察值對R進行概率推理。推理過程可以如下表示： 使用觀察值實例化H,L和F，把隨機值賦給R。 計算。其中相應(yīng)概率值可以查條件概率表。 由于上述例子只有一個未知隨機變量，所以不用迭代。更一般得，使用貝葉斯網(wǎng)絡(luò)進行推理的步驟可如下描述： 對所有可觀察隨機變量節(jié)點用觀察值實例化；對不可觀察節(jié)點實例化為隨機值。 對DAG進行遍歷，對每一個不可觀察節(jié)點y，計算，其中wi表示除y以外的其它所有節(jié)點，a為正規(guī)化因子，sj表示y的第j個子節(jié)點。 使用第三步計算出的各個y作為未知節(jié)點的新值進行實例化，重復(fù)第二步，直到結(jié)果充分收斂。 將收斂結(jié)果作為推斷值。 以上只是貝葉斯網(wǎng)絡(luò)推理的算法之一，另外還有其它算法，這里不再詳述
公司管理相關(guān)推薦
鄂ICP備17016276號-1