https://math.stackexchange.com/questions/171226/stuck-with-handling-of-conditional-probability-in-bishops-pattern-recognition
在本书的第10.8章节重新讲到了高斯模型的概率图模型
p(w|X,T,α,β)=p(X,T,α,β|w)p(w)p(X,T,α,β)
=p(X,T,α,β,w)p(X,T,α,β)
=p(X)p(β)p(T|X,β,w)p(w|α)p(α)p(X)p(β)p(T|X,β)p(α)
=p(T|X,β,w)p(w|α)p(T|X,β)
分母和w无关，所以∝p(T|X,β,w)p(w|α)
其中上面的第三步用到了贝叶斯网络中的因子分解,简单说，贝叶斯网络的因子分解=每个节点的条件概率(已知所有父节点的情况下)之积,不了解的同学看下概率图模型即可
【推荐】国内首个AI IDE，深度理解中文开发场景，立即下载体验Trae
【推荐】编程新体验，更懂你的AI，立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包，你的智能百科全书，全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell：AI 加持，快人一步
· DeepSeek 开源周回顾「GitHub 热点速览」
· 物流快递公司核心技术能力-地址解析分单基础技术分享
· .NET 10首个预览版发布：重大改进与新特性概览！
· AI与.NET技术实操系列（二）：开始使用ML.NET
· .NET10 - 预览版1新功能体验（一）