贝叶斯网络(一)预备知识

1.β分布

参考：https://www.zhihu.com/question/30269898/answer/123261564
先看图：

理解图：
α与β代表互相对立的事件，比如说投篮进或者不进，其中命中率可以看成概率，这条曲线表示命中率取值的概率（概率的概率），当投篮继续进行下去的时候，α与β会调整，相应的曲线也会变化。
可以看到x的取值的均值是 $\frac{\alpha }{\alpha +\beta }$,命中率为$\frac{\alpha }{\alpha +\beta }$的可能性最高，比这个高或者这个低的可能性也有，但是可能性小一些。
看公式：

$Beta(\alpha ,\beta )=\frac{{\theta }^{\alpha -1}（1-\theta {）}^{\beta -1}}{B(\alpha ,\beta )}$

输入不同的α和β就可以更新上面的曲线了，这个公式我也不知道是怎么实现的，但是听起来是非常科学的，因为一个人的命中率不是绝对稳定的，而我们平时计算的时候直接就用$\frac{\alpha }{\alpha +\beta }$来计算了，但是beta分布能在命中率不是稳定的情况下，进行更科学地评估。

2.狄利克雷分布

β分布是二项的，狄利克雷分布是多项式分布，如果理解成抛硬币的话，狄利克雷分布就是掷骰子。

3.共轭先验

共轭就是后验概率的函数和先验概率函数表达形式一样，在贝叶斯分析中，就是$P(u|D)$的函数和$P(D|u)$的形式是一样的。
而一般的随机事件可以简单分成两种结果的和两种以上结果的，结果的分布情况对应着二项分布和多项分布，但是这两种情况得到的函数不一定是共轭的，而β分布和迪利克雷分布就是这两种分布的共轭分布。
我看了很多资料都不知道公式是怎么来的，只能理解个意思，大概就是说我们可以利用共轭分布来化简贝叶斯的分析。

独立同分布

指随机过程中，任何时刻的取值都为随机变量，如果这些随机变量服从同一分布，并且互相独立，那么这些随机变量是独立同分布。
比如说同时掷两个骰子A，B，它们的结果是互不影响的，独立的，而且它们是一样的随机事件嘛，所以具有相同的分布形状和相同的分布参数，即A骰子掷出的结果中每个点的取值都是1/6，B也是这样的，
同一分布的理解是：对于离散随机变量来说是具有相同的分布律，对与连续随机变量来说是具有相同的概率密度函数，分布函数，相同的期望、方差。

似然函数

定义是： 给定一组样本X下，关于未知参数$\theta$的函数$L(\theta |x)=f(x|\theta )$
$x$是随机变量取到的值，即X=$x$
与概率对比：

对比项	概率	似然
英文翻译	probablility	likehood
表示意思	给定一组参数值，得到某个结果的可能性	给定某一结果，求某一参数值的可能性
举例	一枚均质硬币，抛10次有五次正面朝上的可能性	一枚硬币抛10次有五次正面朝上，均质的可能性是多少

类比理解：
我们可以用$a^b$来类比，令a=2时可以得到函数$2^b$，是关于b的指数函数，令b=2可以得到 $a^2$，是关于a的二次函数，这个函数有两个参数a,b对应与我们的$x$和$\theta$
极大似然估计：
对于随机变量而言，其概率密度函数$f(x|\theta )$就是$P_{\theta }(X=x)$，即代表了在参数$\theta$下随机向量$X$取到值$x$的可能性,如果我们发现
$L({\theta }_1|x)=P_{{\theta }_1}(X=x)>P_{{\theta }_2}(X=x)=L({\theta }_2|x)$,我们可以认为$\theta 1$比$\theta 1$更接近真实值，极大似然估计就是取最大的$\theta$，将它看作是最接近真实的$\theta$
参考资料：
http://blog.sina.com.cn/s/blog_e8ef033d0101oa4k.html
https://www.zhihu.com/question/54082000