概率图模型之：贝叶斯网络

最新推荐文章于 2022-06-24 21:41:01 发布
最新推荐文章于 2022-06-24 21:41:01 发布
阅读量3.1k 收藏 6
点赞数 1
分类专栏： 机器学习 算法相关
1、贝叶斯定理

P(A∣B)=P(A)P(B∣A)P(B)P(A∣B)=P(A)P(B∣A)P(B)

P(A|B)是已知B发生后A的条件概率，也由于得自B的取值而被称作A的后验概率。 
P(B|A)是已知A发生后B的条件概率，也由于得自A的取值而被称作B的后验概率。 
P(A)是A的先验概率或边缘概率。之所以称为”先验”是因为它不考虑任何B方面的因素。 
P(B)是B的先验概率或边缘概率。 
贝叶斯定理可表述为：后验概率 = (相似度 * 先验概率) / 标准化常量 
也就是说，后验概率与先验概率和相似度的乘积成正比。 
比例P(B|A)/P(B)也有时被称作标准相似度，贝叶斯定理可表述为：后验概率 = 标准相似度 * 先验概率 
假设{Ai}是事件集合里的部分集合，对于任意的Ai，贝叶斯定理可用下式表示： 
 

2、贝叶斯网络

贝叶斯网络，由一个有向无环图(DAG)和条件概率表(CPT)组成。 
贝叶斯网络通过一个有向无环图来表示一组随机变量跟它们的条件依赖关系。它通过条件概率分布来参数化。每一个结点都通过P(node|Pa(node))来参数化，Pa(node)表示网络中的父节点。

如图是一个简单的贝叶斯网络，其对应的全概率公式为：

P(a,b,c)=P(c∣a,b)P(b∣a)P(a)P(a,b,c)=P(c∣a,b)P(b∣a)P(a)

这里写图片描述

较复杂的贝叶斯网络，其对应的全概率公式为：

P(x1,x2,x3,x4,x5,x6,x7)=P(x1)P(x2)P(x3)P(x4∣x1,x2,x3)P(x5∣x1,x3)P(x6∣x4)P(x7∣x4,x5)P(x1,x2,x3,x4,x5,x6,x7)=P(x1)P(x2)P(x3)P(x4∣x1,x2,x3)P(x5∣x1,x3)P(x6∣x4)P(x7∣x4,x5)

这里写图片描述

3、贝叶斯网络Student模型

一个学生拥有成绩、课程难度、智力、SAT得分、推荐信等变量。通过一张有向无环图可以把这些变量的关系表示出来，可以想象成绩由课程难度和智力决定，SAT成绩由智力决定，而推荐信由成绩决定。该模型对应的概率图如下： 
这里写图片描述

4、通过概率图python类库pgmpy构建Student模型

代码如下：

from pgmpy.models import BayesianModel
from pgmpy.factors.discrete import TabularCPD

# 通过边来定义贝叶斯模型
model = BayesianModel([('D', 'G'), ('I', 'G'), ('G', 'L'), ('I', 'S')])

# 定义条件概率分布
cpd_d = TabularCPD(variable='D', variable_card=2, values=[[0.6, 0.4]])
cpd_i = TabularCPD(variable='I', variable_card=2, values=[[0.7, 0.3]])

# variable：变量
# variable_card：基数
# values：变量值
# evidence：
cpd_g = TabularCPD(variable='G', variable_card=3, 
                   values=[[0.3, 0.05, 0.9,  0.5],
                           [0.4, 0.25, 0.08, 0.3],
                           [0.3, 0.7,  0.02, 0.2]],
                  evidence=['I', 'D'],
                  evidence_card=[2, 2])

cpd_l = TabularCPD(variable='L', variable_card=2, 
                   values=[[0.1, 0.4, 0.99],
                           [0.9, 0.6, 0.01]],
                   evidence=['G'],
                   evidence_card=[3])

cpd_s = TabularCPD(variable='S', variable_card=2,
                   values=[[0.95, 0.2],
                           [0.05, 0.8]],
                   evidence=['I'],
                   evidence_card=[2])

# 将有向无环图与条件概率分布表关联
model.add_cpds(cpd_d, cpd_i, cpd_g, cpd_l, cpd_s)

# 验证模型：检查网络结构和CPD，并验证CPD是否正确定义和总和为1
model.check_model()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38

获取上述代码构建的概率图模型：

In[1]:model.get_cpds()
Out[1]: 
[<TabularCPD representing P(D:2) at 0x10286e198>,
 <TabularCPD representing P(I:2) at 0x10286e160>,
 <TabularCPD representing P(G:3 | I:2, D:2) at 0x100d69710>,
 <TabularCPD representing P(L:2 | G:3) at 0x10286e1d0>,
 <TabularCPD representing P(S:2 | I:2) at 0x1093f6358>]
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

获取结点G的概率表：

In[2]:print(model.get_cpds('G'))
╒═════╤═════╤══════╤══════╤═════╕
│ I   │ I_0 │ I_0  │ I_1  │ I_1 │
├─────┼─────┼──────┼──────┼─────┤
│ D   │ D_0 │ D_1  │ D_0  │ D_1 │
├─────┼─────┼──────┼──────┼─────┤
│ G_0 │ 0.3 │ 0.05 │ 0.9  │ 0.5 │
├─────┼─────┼──────┼──────┼─────┤
│ G_1 │ 0.4 │ 0.25 │ 0.08 │ 0.3 │
├─────┼─────┼──────┼──────┼─────┤
│ G_2 │ 0.3 │ 0.7  │ 0.02 │ 0.2 │
╘═════╧═════╧══════╧══════╧═════╛
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

获取结点G的基数：

In[3]: model.get_cardinality('G') 
Out[3]: 3
  • 1
  • 2

获取整个贝叶斯网络的局部依赖:

In[4]: model.local_independencies(['D', 'I', 'S', 'G', 'L']) 
Out[4]: 
(D _|_ I, S)
(I _|_ D)
(S _|_ D, L, G | I)
(G _|_ S | I, D)
(L _|_ I, S, D | G)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

通过贝叶斯网络计算联合分布

条件概率公式如下:

P(A,B)=P(A|B)∗P(B)P(A,B)=P(A|B)∗P(B)

Student模型中，全概率公式的表示:

P(D,I,G,L,S)=P(L|S,G,D,I)∗P(S|G,D,I)∗P(G|D,I)∗P(D|I)∗P(I)P(D,I,G,L,S)=P(L|S,G,D,I)∗P(S|G,D,I)∗P(G|D,I)∗P(D|I)∗P(I)

通过本地依赖条件，可得:

P(D,I,G,L,S)=P(L|G)∗P(S|I)∗P(G|D,I)∗P(D)∗P(I)P(D,I,G,L,S)=P(L|G)∗P(S|I)∗P(G|D,I)∗P(D)∗P(I)

由上面等式可得，联合分布产生于图中所有的CPD,因此编码图中的联合分布有助于减少我们所要存储的参数。

推导 Bayiesian Model

因此，我们可能想知道一个聪明的学生在艰难的课程中可能的成绩，因为他在SAT中打得很好。 因此，为了从联合分配计算这些值，我们必须减少给定的变量，即I=1I=1，D=1D=1，S=1S=1，然后将LL的其他变量边际化 得到

P（G|I=1，D=1，S=1）P（G|I=1，D=1，S=1）

在知道一个聪明的学生、他的一门比较难的课程及其SAT成绩较高的情况。为了从联合分布计算这些值，必须减少给定的变量I=1I=1，D=1D=1，S=1S=1，然后将LL的其他变量边缘化得到

P(G|I=1,D=1,S=1)P(G|I=1,D=1,S=1)

变量消除

P(D,I,G,L,S)=P(L|G)∗P(S|I)∗P(G|D,I)∗P(D)∗P(I)P(D,I,G,L,S)=P(L|G)∗P(S|I)∗P(G|D,I)∗P(D)∗P(I)

如果我们只想计算G的概率，需要边缘化其他所给的参数

P(G)=∑D,I,L,SP(D,I,G,L,S)P(G)=∑D,I,L,SP(D,I,G,L,S) 
P(G)=∑D,I,L,SP(L|G)∗P(S|I)∗P(G|D,I)∗P(D)∗P(I)P(G)=∑D,I,L,SP(L|G)∗P(S|I)∗P(G|D,I)∗P(D)∗P(I) 
P(G)=∑D∑I∑L∑SP(L|G)∗P(S|I)∗P(G|D,I)∗P(D)∗P(I)P(G)=∑D∑I∑L∑SP(L|G)∗P(S|I)∗P(G|D,I)∗P(D)∗P(I)

由于并非所有的条件分布都取决于所有的变量，我们可以推出内部的求和：

P(G)=∑D∑I∑L∑SP(L|G)∗P(S|I)∗P(G|D,I)∗P(D)∗P(I)P(G)=∑D∑I∑L∑SP(L|G)∗P(S|I)∗P(G|D,I)∗P(D)∗P(I) 
P(G)=∑DP(D)∑IP(G|D,I)∗P(I)∑SP(S|I)∑LP(L|G)P(G)=∑DP(D)∑IP(G|D,I)∗P(I)∑SP(S|I)∑LP(L|G)

In[5]:from pgmpy.inference import VariableElimination
infer = VariableElimination(model)
print(infer.query(['G']) ['G'])
╒═════╤══════════╕
│ G   │   phi(G) │
╞═════╪══════════╡
│ G_0 │   0.3620 │
├─────┼──────────┤
│ G_1 │   0.2884 │
├─────┼──────────┤
│ G_2 │   0.3496 │
╘═════╧══════════╛
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

计算P(G|D=0,I=1)P(G|D=0,I=1)的条件分布

P(G|D=0,I=1)=∑L∑SP(L|G)∗P(S|I=1)∗P(G|D=0,I=1)∗P(D=0)∗P(I=1)P(G|D=0,I=1)=∑L∑SP(L|G)∗P(S|I=1)∗P(G|D=0,I=1)∗P(D=0)∗P(I=1) 
P(G|D=0,I=1)=P(D=0)∗P(I=1)∗P(G|D=0,I=1)∗∑LP(L|G)∗∑SP(S|I=1)P(G|D=0,I=1)=P(D=0)∗P(I=1)∗P(G|D=0,I=1)∗∑LP(L|G)∗∑SP(S|I=1)

在pgmpy中我们只需要省略额外参数即可计算出条件分布概率

In[6]: print(infer.query(['G'], evidence={'D': 0, 'I': 1}) ['G'])
╒═════╤══════════╕
│ G   │   phi(G) │
╞═════╪══════════╡
│ G_0 │   0.9000 │
├─────┼──────────┤
│ G_1 │   0.0800 │
├─────┼──────────┤
│ G_2 │   0.0200 │
╘═════╧══════════╛
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

新数据节点值的预测跟计算条件概率非常相似，我们需要查询预测变量的其他全部特征。困难在于通过分布概率去代替更多可能的变量状态。

In[7]: infer.map_query('G')
Out[7]: {'G': 2}
  • 1
  • 2
版权声明：本文为博主原创文章，转载请声明出处。 https://blog.csdn.net/GnahzNib/article/details/70244175
LegenDavid
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
马尔可夫网络和贝叶斯网络的一些总结
qq_43654303的博客
04-17 3767
马尔可夫网络和贝叶斯网络的一些总结 最近学习了一些关于概率逻辑的知识图谱推理方法，主要就是贝叶斯网络和马尔可夫网络，在此总结一下，内容都来自网络资料，这里加入了一下个人的理解，尽量为大家避雷！ 这篇文章是我目前在网络上找到的关于贝叶斯网络最清晰的介绍，大家有兴趣可以去看看 贝叶斯网络中比较重要的两部分就是贝叶斯网络的结构和条件概率表。 贝叶斯网络的结构 下面通过一个例子来介绍： 贝叶斯网的网络结...
动态贝叶斯网络DBN
热门推荐
tanzhangwen的专栏
12-05 3万+
贝叶斯网络 贝叶斯网络（Bayesian Networks）也被称为信念网络（Belif Networks）或者因果网络（Causal Networks），是描述数据变量之间依赖关系的一种图形模式，是一种用来进行推理的模型。贝叶斯网络为人们提供了一种方便的框架结构来表示因果关系，这使得不确定性推理变得在逻辑上更为清晰、可理解性强。对于贝叶斯网络，我们可以用两种方法来看待它：首先贝叶斯网表达了各个节
贝叶斯网络 详解
09-11
全概率分布可以回答相关领域的任何问题，但随着变量数目的增 加，全概率分布的联合取值空间却可能变得很大。另外，对所有的原 子事实给出概率，对用户来说也非常困难。 若使用Bayes 规则，就可以利用变量之间的条件独立关系简化计 算过程，大大降低所需要声明的条件概率的数目。我们可以用一个叫 作Bayesian 网的数据结构来表示变量之间的依赖关系，并为全概率分 布给出一个简明的表示。 定义（Bayesian 网）：Bayesian 网T 是一个三元组（N,A,P）,其 中 1． N 是节点集合 2． A 是有向弧集合，与N 组成有限非循环图G =（N，A） 3． P {p(V | ) :V N} v    ，其中 v  代表节点V 的父亲节点集合 Bayesian 网是一个有向非循环图： （1） 网中节点与知识领域的随机变量一一对应（下文中不区分节 点与变量）； （2）网中的有向弧表示变量间的因果关系，从节点X 到节点Y 有 向弧的直观含义是X 对Y 有直接的因果影响；影响的强度或者说不确 定性由条件概率表示； （3）每个节点有一个条件概率表，定量描述其所有父亲节点对于 该节点的作用效果。 -2- （4）由领域专家给定网络结构和条件概率表。 ）由领域专家给定网络结构和条件概率表。 ）由领域专家给定网络结构和条件概率表。 ）由领域专家给定网络结构和条件概率表。 ）由领域专家给定网络结构和条件概率表。 ）由领域专家给定网络结构和条件概率表。 ）由领域专家给定网络结构和条件概率表。 ）由领域专家给定网络结构和条件概率表。 ）由领域专家给定网络结构和条件概率表。 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 对领域专家来说，决定在特中存哪些条件独立联系通常是 较容易的 较容易的 较容易的 （给定网络结构相对容易 给定网络结构相对容易 给定网络结构相对容易 给定网络结构相对容易 给定网络结构相对容易 ）─ 事实上，要远比际声明出这 事实上，要远比际声明出这 事实上，要远比际声明出这 事实上，要远比际声明出这 事实上，要远比际声明出这 事实上，要远比际声明出这 事实上，要远比际声明出这 事实上，要远比际声明出这 事实上，要远比际声明出这 些概率本身容易得多 些概率本身容易得多 些概率本身容易得多 些概率本身容易得多 些概率本身容易得多 （给定准确的条件概率相对 给定准确的条件概率相对 给定准确的条件概率相对 给定准确的条件概率相对 给定准确的条件概率相对 给定准确的条件概率相对 困难） 。一旦 。一旦 。一旦 BayesianBayesianBayesianBayesianBayesian Bayesian网的拓扑结构给定， 则只需对那些直接相互依赖节点出条件概率网的拓扑结构给定， 则只需对那些直接相互依赖节点出条件概率网的拓扑结构给定， 则只需对那些直接相互依赖节点出条件概率网的拓扑结构给定， 则只需对那些直接相互依赖节点出条件概率网的拓扑结构给定， 则只需对那些直接相互依赖节点出条件概率网的拓扑结构给定， 则只需对那些直接相互依赖节点出条件概率网的拓扑结构给定， 则只需对那些直接相互依赖节点出条件概率网的拓扑结构给定， 则只需对那些直接相互依赖节点出条件概率网的拓扑结构给定， 则只需对那些直接相互依赖节点出条件概率网的拓扑结构给定， 则只需对那些直接相互依赖节点出条件概率网的拓扑结构给定， 则只需对那些直接相互依赖节点出条件概率网
贝叶斯算法
冷血之心的博客
08-16 4236
简介学过概率理论的人都知道条件概率的公式：P(AB)=P(A)P(B|A)=P(B)P(A|B)；即事件A和事件B同时发生的概率等于在发生A的条件下B发生的概率乘以A的概率。由条件概率公式推导出贝叶斯公式：P(B|A)=P(A|B)P(B)/P(A)；即,已知P(A|B)，P(A)和P(B)可以计算出P(B|A)。假设B是由相互独立的事件组成的概率空间{B1,b2，...bn}。则P(A)可以用全
贝叶斯
小昱同学的博客
07-28 1898
先验概率与后验概率 先验概率：指在观测前已知的概率分布，可以直接对结果进行推测 后验概率：在观测到特征值后对结果进行推测 我们更多在深度学习中使用的是后验概率，因为我们通过特征值得到了更多的信息，能对结果进行更精准的预测，但是由于后验概率无法直接获得，但是我们可以先验概率来计算它=后验概率，也就是使用贝叶斯公式计算。 贝叶斯公式与贝叶斯决策论 假设做了10次投掷硬币的实验，一共有1元和5角两种大小，这个大小就为硬币的特征值（X），其中6次结果是反面，我们这里用y来表示结果，反面为（y=0），在出现反面时，
条件概率，乘法公式、全概率公式、贝叶斯公式的解释（概率论）
zhaohongfei_358的博客
07-27 8028
条件概率 公式： 设A, B为任意两个事件，若P(A)>0，我们称在已知事件A发生的条件下，事件B发生的概率为条件概率，记为 P(B∣A)P(B|A)P(B∣A)，并定义： P(B∣A)=P(AB)P(A)          (P(A)>0) P(B|A) = \frac{P(AB)}{P(A)} ~~~~~~~~~~(P(A)>0) P(B∣A)=P(A)P(AB)​ &nbsp
贝叶斯网络
qq_32172681的博客
09-21 5863
1、概念 贝叶斯网络(Bayesian network)，或称有向无环图模型，是一种概率图模型。 贝叶斯网络的有向无环图中的节点表示随机变量， 它们可以是可观察到的变量，或隐变量、未知参数等。认为有因果关系（或非条件独立）的变量或命题则用箭头来连接。若两个节点间以一个单箭头连接在一起，表示其中一个节点是“因(parents)”，另一个是“果(children)”，两节点就会产生一个条件...
贝叶斯网络详解
weixin_43211186的博客
06-24 3万+
有时我们需要计算一个不确定原因的概率给出一些观察到的证据，在这些情况下可以使用贝叶斯方法。 贝叶斯网络（bayesian network） 是一种概率图形模型，它在图形模型中显式捕获已知的有向边的条件依赖性，它通过有向无环图(DAG)表示一组变量及其条件依赖关系。贝叶斯网络非常适合用于获取已发生的事件并预测几种可能的已知原因中的任意一种。例如，贝叶斯网络可以表示疾病和症状之间的概率关系。给定症状，该网络可用于计算各种疾病存在的概率。高效的算法可以在贝叶斯网络中进行推理和学习。 对变量序列（例如 语音信号或蛋
贝叶斯信念网络
Forlogenの解忧杂货铺
04-12 2204
回顾 贝叶斯定理 贝叶斯定理是计算概率中很重要也是很常用的一个公式，它的形式如下： p(Yk∣X)=P(XYk)P(X)=P(Yk)p(X∣Yk)∑jP(Yj)P(X∣Yj) p(Y_{k}|X)=\frac{P(XY_{k})}{P(X)}=\frac{P(Y_{k})p(X|Y_{k})}{\sum_{j}P(Y_{j})P(X|Y_{j})} p(Yk​∣X)=P(X)P(XYk​)​=∑...
作业-第7章概率图模型1
08-03
第7章 概率图模型以下模型中属于概率图模型的有：A. 决策树B. 感知机C. 支持向量机D. 受限玻尔兹曼机(多选题)以下模型中属于贝叶斯网络的有：A. 马尔可
概率图模型
03-14
介绍贝叶斯网络比较好的一本书，浅显易懂.The book by Jensen and Nielsen is in some ways an easy to read version of “Probabilistic Networks and Expert Systems”,with more emphasis on modeling; it is arguably the most suitable book for undergraduates.
论文研究-自动交互图像分割中的贝叶斯网络模型构建.pdf
07-22
由于贝叶斯模型和各种图像测量结果, 置信传播会更新每个节点的相关概率, 提出了在自动交互图像分割过程中应用的新型贝叶斯网络模型。从过度分割模型中的超级像素点区域、边区域、顶点和测量结果之间的统计相关性来构造多层贝叶斯网络模型。除了自动图像分割, 贝叶斯网络模型也可用于交互式图像分割中, 现有交互分割往往被动地依靠用户提供的准确调整, 提出新型主动输入选择方式作为准确调整。实验采用Weizmann数据集和VOC 2006图像集来评估, 实验结果表明贝叶斯网络模型可以进行效果更好的自动分割, 主动输入选择可以提高整体分割精度。
概率图模型-原理及技术（Probabilitic Graphical Models-Principles and Techniques）
12-08
这本书主要是阐述传统的概率图模型的，对于现在火热的深度学习来说，正好。
概率图模型开发工具-Python
10-11
pgmpy Python库是一个非常有用的概率图模型的研究库。可以创建贝叶斯网络、马尔可夫网络、动态贝叶斯网络等模型。此工具箱支持Python2.7和Python3.x，安装此工具箱需要按照解压后的REDME.txt文件执行。欢迎大家一起交流学习。
机器学习课件：贝叶斯网络
04-08
掌握朴素贝叶斯分类的原理和具体步骤 掌握概率图模型PGM的思想 理解贝叶斯网络 链式网络 树形网络 因子图 非树形网络转换成树形网络的思路 Summary-Product算法 了解马尔科夫模型、隐马尔科夫模型的网络拓扑和含义
chromedriver-linux64-V124.0.6367.91 稳定版
04-30
chromedriver-linux64-V124.0.6367.91稳定版
基于yolov7 加入 depth回归
最新发布
04-30
在官方的基础上改了检测头、导出onnx（适配tensorrt pro 项目）、测试demo等代码。 能够使用清华V2X数据集进行训练和测试。 https://www.bilibili.com/video/BV1Wd4y1G78M/?vd_source=0223c707743ff3013adaeff54aee3506 数据集来源：https://thudair.baai.ac.cn/index 基于Yolov7 tiny，加入了距离回归 模型没收敛完，随便试了下，所以预测有抖动 使用TRT加速，在AGX Xavier上推理大约4ms V2X使用tools/convertlabel2yolo.ipynb 进行数据集转换
基于STM32F101单片机设计Bluetooth Sentinel 主板硬件（原理图+PCB）工程文件.zip
04-30
基于STM32F101单片机设计Bluetooth Sentinel 主板硬件（原理图+PCB）工程文件，仅供学习设计参考。
python 概率图模型
05-17
Python 中有多个库可以用于概率图模型的建模和推理，其中比较流行的包括： 1. PyMC3：一个基于 Theano 的概率编程框架，支持贝叶斯模型的建模和推理，包括概率图模型。 2. Pyro：一个基于 PyTorch 的概率编程框架，支持贝叶斯模型的建模和推理，包括概率图模型。 3. pgmpy：一个专门用于概率图模型的 Python 库，支持多种概率图模型的建模和推理，包括贝叶斯网络和马尔可夫随机场等。 4. pomegranate：一个用于概率模型和机器学习的 Python 库，支持贝叶斯网络、隐马尔可夫模型、混合高斯模型等多种模型的建模和推理。 以上仅是常用的几个库，还有其他一些库也支持概率图模型的建模和推理，可以根据具体需求选择。

“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
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、付费专栏及课程。

余额充值