4.2 贝叶斯网络的基本概念

合集 - 模式识别 张学工 自学笔记(11)

1.2.2 最小错误率贝叶斯决策2024-01-082.2.3 最小风险贝叶斯决策2024-01-093.2.4 两类错误率、Neyman-Person决策与ROC曲线2024-01-144.2.7 离散时间样本训练的统计决策2024-02-155.2.8 统计决策方法总结2024-01-206.3.2 最大似然估计2024-01-207.3.3 贝叶斯估计与贝叶斯学习2024-01-308.3.4 概率密度估计的非参数方法2024-01-319.3.5 概率密度函数的估计总结2024-02-04

10.4.2 贝叶斯网络的基本概念2024-02-15

11.4.3 隐马尔可夫模型（HMM）2024-02-27

收起

目标：实现对复杂的联合概率分布问题的有效计算（化简联合概率分布）

1、链式法则

将整体的联合概率分布反复利用贝叶斯公式分解为一系列条件概率的乘积

2、贝叶斯网络（信念网络）

通过用图来表示随机变量之间的概率依赖关系。

一种用有向无环图DAG表示的概率模型，可用于描述存在依赖关系的多个事件之间的联合概率分布

条件概率的图表示

有向图、无向图、无环图

贝叶斯网络模型的图表示

节点：表示随机变量（包含可观测变量和隐变量）

有向边（有向弧）：表示随机变量之间的条件依赖关系

箭头：节点 x1 指向 x2 表示 x1 直接影响到 x2

3、随机变量的条件独立性

从贝叶斯网络中看出条件独立性之后用随机变量的条件独立性简化计算