【读书笔记】概率图模型——基于R语言（三）

第三章：学习参数

本章的所有例子基于条件独立假设（iid）
构建概率图模型大致需要3个步骤：

1. 定义随机变量，即图中节点
2. 定义图的结构
3. 定义每个局部分布的数值参数

设D为数据集，θ为图模型的参数，似然函数为$P(D|\theta )$，即给定参数下观测数据集的概率，那么最大似然估计就是要找出参数θ。可以写作$\tilde{\theta }=argma{x}_{\theta }P(D|\theta )$
  如果想要更准确地刻画θ，可以采用贝叶斯方法，这里需要知道参数的先验分布P(θ)。在这个例子中，在这个例子中就是找出$P(D|\theta )P(\theta )$的最大值。这个过程叫做最大化后验概率
  一个鸢尾花的例子：

x = read.csv("https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data", col.names = c("sepal_length", "sepal_width", "petal_length", "petal_width", "class"))
head