【机器学习系列之五】贝叶斯网络---图模型

注：图模型的核心在于找到联合分布，因为联合分布知道之后，求他的小弟（子集）就很容易了。

1. 问题

问题1：好消息与坏消息
医生有一个好消息和一个坏消息，坏消息是机器检测出来你有0.99的概率患了某种癌症，好消息是这是个罕见疾病，一万个人中才有一个人患病。
问：你有多大的可能性确实得病了？

问题2：Monty hall
有三扇门，标号1，2，3，其中有一扇门背后有百万大奖，另外两扇门后面各有一只山羊。
一开始，你先选择一扇门，但先不打开，裁判会在另外的两扇门中挑选一扇没有奖（也就是后面是羊）的门，打开给你看那后面是羊。
问：你是否要更换自己的选择？

问题分析：
学过概率的人应该知道这是个概率问题，而拉普拉斯曾说：概率论只是把常识用数据公式表示出来的学科。所以，我们的第一步应该是把白话转成公式表示。

（1）先看第一个问题：
设D为某人确实患了癌症，T为被检测出来你有癌症。

$$P（被检测为癌症|患癌）= 0.99,P（被检测为患癌|没患癌）= 0.01$$ $$P(患癌) = 0.0001$$ 而我们真正要求的是： $P(患癌|被检测出来)$。
用贝叶斯公式可得：

P(患癌|被检测为癌症)=P（被检测为癌症|患癌）∗P(患癌)P(被检测为癌症)=P（被检测为癌症|患癌）∗P(患癌)P(被检测为癌症|患癌)∗P(患癌)+P(被检测为癌症|没患癌)∗P(