斯坦福-随机图模型-week1.2_


title: 斯坦福-随机图模型-week1.2
tags: note
notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation
---

斯坦福-随机图模型-week1.2

贝叶斯网络-semantics of a bayesian network 贝叶斯网络的语义

我们从一个例子来讨论,一个成绩的问题:

成绩问题有5个因素:

  • 成绩
  • 难度
  • 天分
  • SAT成绩
  • 相关能力

整个问题可以描述成:

斯坦福-随机图模型-week1.2_

然后整个的图模型可以描述为:

斯坦福-随机图模型-week1.2_

如果根据我们的统计数据我们可以得到这样的概率分布

斯坦福-随机图模型-week1.2_

根据这些数据,我们可以组成概率的链,就像这样:

斯坦福-随机图模型-week1.2_

然后根据推理链我们很容易的可以算出概率方程:

斯坦福-随机图模型-week1.2_

当我们要计算:斯坦福-随机图模型-week1.2_的时候:

可以使用概率的乘法,根据链条进行逐级计算,计算过程如下:

斯坦福-随机图模型-week1.2_

贝叶斯网络

  • 一个直接的无环网络
  • 对于每个节点,都使用条件概率进行描述
  • 其中有概率的联合分布,通过节点的汇聚和发散
  • 贝叶斯网络中概率都是正的
  • 并且总概率和为1

factorizes 因式分解

一个血型遗传的例子

考虑在这样的一个家庭系谱图中:

斯坦福-随机图模型-week1.2_

我们可以画出血型的随机图模型

斯坦福-随机图模型-week1.2_

其中G表示基因型,B表示血型。这是一个相对比较复杂的网络。

在贝叶斯网络中我们可以通过概率很容易的进行推理。

可以进行正向的推理,就像我们前面提到的

也可以进行逆向的推理,使用贝叶斯公式。如下图:

斯坦福-随机图模型-week1.2_

比如一个学生得了C,我们就可以通过数据推理出,他是因为题目太难而的概率和因为太傻的概率。

or 或元素

或元素是一种0-1的推理规则,可通过如下的表示:

斯坦福-随机图模型-week1.2_

进行逆概率推理的情况下: 可以通过如下大的表示:

斯坦福-随机图模型-week1.2_

多证据推理

我们可以通过不同的正据进行推理,比如一个学生本次考试成绩不好,但是sat却得到了很高的分数,那么说明这次考试很难的可能性就很大了。

概率信息的流动

X什么时候会影响Y

  • 当Y是X的子节点
  • 当X是Y的子节点
  • X,Y是同一个节点的子节点

行动轨迹

上一篇:博弈论 斯坦福game theory stanford week 1.0


下一篇:博弈论 斯坦福game theory stanford week 1.2_