本文介绍了概率图模型中的高斯网络，包括高斯贝叶斯网络（GBN）和高斯马尔科夫网络（GMN）。在GBN中，随机变量为连续的有向图模型，每个节点在给定父节点的情况下服从高斯分布；而在GMN中，随机变量为连续的无向图模型，联合概率分布基于无向图的因子分解。高斯网络通过条件独立性和协方差矩阵来描述多元随机变量之间的关系。
1.贝叶斯网络和马尔科夫网络是随机变量为离散型的概率图模型
2.随机变量是连续型的概率图模型叫做高斯图
3.高斯图又可以分为高斯贝叶斯网络和高斯马尔科夫网络
对于概率图模型（Probabilistic Graphical Model，PGM），如果随机变量是离散的，那么可以分为贝叶斯网络（Bayesian Network）和马尔科夫网络（Markov Network）
如果随机变量是连续的话，我们把概率图模型称为高斯网络，它是假设随机变量服从高斯分布。它又可以进一步划分为高斯贝叶斯网络（Gaussian Bayesian Network，GBN）和高斯马尔科夫网络（Gaussian Markov Network，GMN）
传送门：
最低0.47元/天 解锁文章
扫一扫
1636
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
