![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
概率图模型
老笨妞
29岁开始纯软的老笨妞。
展开
-
概率图模型学习(3)——贝叶斯网与马尔科夫网的关联
1. 从贝叶斯网到马尔科夫网首先看一个命题和一个定义:之前理解的无向图模型是既可以从X推Y,也可以从Y推出X,那么表示同一个例子,就该马尔科夫网比贝叶斯网更简单,但是,从上面定义可以看出,马尔科夫网比贝叶斯网更复杂。现在好像有一点明白这是怎么一回事了。 以下面这个例子来说明接下来的贝叶斯网络和马尔科夫网络真的如定义4.1.6所述,将贝叶斯网原创 2017-02-08 10:33:49 · 4391 阅读 · 0 评论 -
概率图模型学习(3)——马尔科夫网表示1
一. 基本概念1. 基本要素因子∅:从Val(D)映射到实数域R的一个函数。除非另行说明,只关注非负的因子。随机变量集合D。变量集D称为因子的辖域。 ∅越大,两个值的兼容性越好。因子的运算:马尔科夫网中将联合概率分布和CPD都用因子表示了:令表示那么 2. 完备子图和极大团团:团是一个两两之间有边原创 2017-02-05 17:31:04 · 3087 阅读 · 0 评论 -
概率图模型学习(6)——高斯网络模型1
由于最近用到了多特征高斯分布,所以提前看了这一章。1. 多元高斯分布个人总结高斯分布其实就三个元素:期望、方差、概率密度函数。而多元高斯分布和单高斯分布不同点在于期望由一个值变成了期望矩阵,这个矩阵的每一个元素对应于该特征变量的均值;方差变成了协方差矩阵。其中,协方差矩阵必须是正定矩阵。令为信息矩阵。经过如下转化:其中,最后一项是是常数矩阵乘法原创 2016-12-03 15:16:23 · 7435 阅读 · 0 评论 -
概率图模型学习(2)——贝叶斯网络表示
本章的目的:1. 说明概率分布中随机变量的独立性如何用于紧凑地表示高纬度分布。2. 有向无圈图的建立。一.基本原理1. 前面提到了独立性和条件独立性,这张中首先是分布参数化,并利用独立性减少参数,简化分布。2. 独立性的运用——朴素贝叶斯模型(假设在某种条件下,所有变量两两互斥,那么所有变量的联合概率模型可以简化为各个个变量的条件概率相乘。)3.原创 2016-11-14 10:40:50 · 4527 阅读 · 0 评论 -
概率图模型学习(1)——基础
联合分布:为了用规则化的概率推理来完成推测一个或多个变量的可能值,需要在某些随机变量的可能值空间上构造一个联合分布。将分布“分解”为一些更小的因子,使每一个因子定义在一个更小的概率空间上。联合分布定义为这些因子的乘积。 基本概念:两类图:有向图——贝叶斯网;无向图——马尔科夫网与其他学科的联系:计算机科学、统计学、信息论、概率论。核心:紧凑表示、有效的推理、因子分解、概率模原创 2016-10-25 15:57:58 · 1689 阅读 · 2 评论