条件独立

于 2014-07-04 10:10:42 发布 934 收藏
分类专栏： Math 文章标签： 条件独立
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Max_R/article/details/36867957
版权

条件独立(Conditional Independence -wikipedia)

  条件独立，顾名思义，表示的是"条件概率"的独立性，常见的形式如：

  p( a,b|c ) = p( a|c )p( b|c )    [ 在给定随机变量C时，a,b条件独立 ]

  其中 p( a|c )与p( b|c )均是"条件概率"，从而得名"条件独立"

  另有较为通用的形式，详见wikipedia。

Excellence007
微信扫码订阅
UP更新不错过~
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
机器学习之概率与统计推断
07-22
本课程讲解机器学习算法所需概率和统计推断知识。概率部分包括概率公理及推论、条件概率、贝叶斯公式、随机变量及其概率函数（CDF／pdf）、常用概率分布及其均值、方差；统计推断部分包括大数定律和中心极限定理、极大似然估计、贝叶斯估计，估计的评价、偏差-方差平衡。课程还会讲解假设检验的基本概念。
独立与条件独立
果乐果香
09-11 3709
  版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/lanchunhui/article/details/53696550 事件间的条件独立（三个事件之间）条件弱于两个事件间的独立。 条件有时为不独立的事件之间带来独立（gain independence），有时也会把本来独立的事件，因为此条件的存在，而失去独立性（lose indep...
概率图模型（PGM）里的的条件独立（conditional independent）
远方的橄榄树
09-05 1万+
条件独立（conditional independent）是概率论和概率图模型中的饿一个基本概念 本博文介绍了条件独立的概念，和概率图模型中DAG的三中重要结构，并对其理论基础进行了推理证明。 并引用案例以便于直观理解条件独立。 最后介绍了条件独立的性质，及其证明。
概率中的独立与相关：相互独立、条件独立、协方差、相关系数
热门推荐
陆上溪流
09-03 2万+
概率论与数理统计学习笔记。小记变量之间的（线性）相关性，独立性。
如何理解朴素贝叶斯法中的“特征条件独立”
MD
06-11 4208
文章目录介绍参考文献 介绍 朴素贝叶斯法对条件概率分布做了条件独立性假设。那么什么叫条件独立性假设呢？它是说 用于分类的特征 在类确定的条件下 都是 条件独立 的。 我们不能将条件独立性假设和独立性假设划为等号。 以下面的一个简单的贝叶斯网为例，c 是标签，a、b 是特征。 我们知道： p(a,b,c)=p(c)p(a∣c)p(b∣c)p(a,b,c)=p(c)p(a|c)p(b|c)p(a,b,c)=p(c)p(a∣c)p(b∣c) 当 c 给定的时候，可得： p(a,b∣c)=p(a,b,c)p(c)
机器学习基础：独立性与条件独立性
最新发布
Hanze的博客
03-28 1429
机器学习基础：独立性与条件独立性独立性条件独立性 独立性 两个随机变量x，y，概率分布表示称两个因子的乘积形式，一个因子只包含x，另一个因子只包含y，两个随机变量相互独立。 条件有时为不独立的事件之间带来独立，有时也会吧本来独立的事件带来不独立。 举例：(P(XY)=P(X)P(Y)(P(XY)=P(X)P(Y)(P(XY)=P(X)P(Y)，事件X和事件Y独立，此时给定Z，P(X,Y∣Z)≠P(X∣Z)P(Y∣Z)P(X,Y|Z) \not=P(X|Z)P(Y|Z)P(X,Y∣Z)​=P(X∣Z)P(
独立事件-条件独立-马尔科夫性
chepwavege的专栏
08-08 6509
1.独立事件：联合概率就等于概率的乘积 P(A,B)=P(A)*P(B)， 但是世界中绝对独立的事件几乎是不存在的。 2.条件独立：给定Z条件 下，X与Y是条件独立的，当且仅当：X⊥Y|Z⇔P(X,Y|Z)=P(X|Z)⋅P(Y|Z) 也即 X与 Y的依赖关系借由 Z 产生。 例如，定义如下事件： X：明天下雨； Y：今天的地面是湿的； Z：今天是否下雨； Z事件的成立，对 ...
条件独立5条重要性质及其证明
略懂……略懂……
12-15 2613
条件独立5条重要性质及其证明
数据挖掘：概念与技术（第三版）之第九章的学习记录
HelloWorld
07-24 3517
本章学习数据分类的高级技术贝叶斯信念网络书上写的比较笼统，初学者可能会看的倒懂不懂的。因此，可以看看我在本章列出的参考文章。 1.1摘要 在上一篇文章中我们讨论了朴素贝叶斯分类。朴素贝叶斯分类有一个限制条件，就是特征属性必须有条件独立或基本独立（实际上在现实应用中几乎不可能做到完全独立）。当这个条件成立时，朴素贝叶斯分类法的准确率是最高的，但不幸的是，现实中各个特征属性间往往并不条件独立，而是
Proof of Conditional Independence 条件独立的证明和等式推导
可视化和机器学习
12-01 4004
条件独立，即在贝叶斯网的同父结构中：若父节点取值确定了，那么子节点相互之间满足条件独立；若父节点取值未确定，那么子节点之间不独立。即Z=z1时，P(X|Z=z1)=P(X|Y,Z=z1)。如果等式1: P(X|YZ)=P(X|Z)成立，即Y是什么，都不会影响X的belief(信念)。那么X，Y相互独立。举例个日常的例子，什么是不确定父节点的情况，什么是确定父节点的情况。 不知道父亲结点：发生了一起命
概率机器人——概率论基础（条件概率、贝叶斯的一种理解、条件独立与绝对独立等）
jcsm__的博客
06-02 514
概率机器人 机器人模型 + 传感器数据 条件概率 若事件X和Y相互独立，即x与y发生与否，彼此之间没有影响： 若事件X和Y不是相互独立的，即x与y发生与否，彼此之间都有影响： 这里就是贝叶斯公式了，也就是后验估计。下面说一种贝叶斯的理解：由于X和Y之间不是相互独立的，一个事件发生，另外一个事件肯定会收到影响。上式的分子中的p(x)表示x发生的概率，相当于此时x事件已经发生；如果是独立事件，就像上面提到的，直接再乘上y事件发生的概率p(y)就结束了，但是x和y之间相互影响，此时x..
分类算法——朴素贝叶斯
AmyXia
12-16 348
分类算法： 使用训练集（数据元组+对应类标号），选用某种分类算法进行监督学习，得到一个分类器；再使用和训练集没有重合的检验集来使用分类器分类，检验分类器的准确率。如果准确率可以接受，那这个分类器就可以用啦。朴素贝叶斯分类法： 用途：给定一个元组，可以计算出这个元组应被分到某个类的概率。 原理：利用贝叶斯公式算出以给定元组矢量值为条件，在训练集上计算出现类i的概率，能使这个条件概率取最大值的类i
条件随机场（CRF） 和 马尔科夫随机场 （MRF）
jialibang的博客
11-09 1283
The difference between CRF and MRF: Just a follow-up on Eren's answer: Let X denote a multi-dimensional input (i.e., the features), and let Y denote a multi-dimensional output (i.e., the structured...
有向图模型与条件独立性
小白菜的博客
07-21 1156
有向图模型——贝叶斯网络 1. 有向图对概率模型的表达 在上一篇当中，我们曾经遗留了一个问题，即概率图模型将抽象的图赋予了概率的含义，而概率图模型的中心问题就是多维随机变量的联合概率分布 p(x1,x2,x3,...,xp)p(x_1,x_2,x_3,...,x_p)p(x1​,x2​,x3​,...,xp​) 的计算，而高维度就是导致链式法则计算的直接原因，由此我们想了很多办法去进行简化。 那么在这一篇，我们就基于有向概率图模型来谈谈如何进行联合概率表达式的简化，以及其中的窍门：条件独立性。 首先我们来谈
朴素贝叶斯法
zhang20072844的专栏
06-30 5103
朴素贝叶斯法是基于贝叶斯原理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特这条件独立假设学习输入输出的联合概率分布了然后基于此模型，对于给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。朴素贝叶斯法实现简单，学习与预测的效率都和高，是一种常用的方法。 朴素贝叶斯法的学习和分类：
[基础知识点]马尔可夫随机场MRF与 条件随机场CRF
乘风的博客
11-23 840
因为最近看的论文中一直提到CRF，所以特地学习了一下… CRF是一种判别式无向图模型。它试图对多个变量在给定的观测值后的条件概率进行建模。具体来说： 若令x={x1,x2,…,xn}为观测序列，y={y1,y2,…,yn}为与之对应的标记序列，则CRF的目标是构建条件概率模型P(y|x). 令G=<V,E>表示结点与标记变量y中的元素一一对应的无向图，g_v表示与结点v对应的标记变量，...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Excellence007

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额：-- )
扫码支付
扫码支付：¥2
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、C币套餐、付费专栏及课程。

余额充值