Chapter 12 贝叶斯网络

桑之未落0208

已于 2022-08-05 10:08:10 修改

阅读量1.3k

点赞数 3

分类专栏：机器学习——算法进阶文章标签：算法贝叶斯

于 2022-08-05 00:04:24 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qwertyuiop0208/article/details/126155599

版权

1 概率公式

条件概率： $P(A|B)=\frac{P(AB)}{P(B)}$

全概率公式： $P(A)=\sum_{i}P(A|B_{i})P(B_{i})$

贝叶斯公式(Bayes)： $P(B_{i}|A) =\frac{P(A|B_{i})P(B_{i})}{\sum_{j}P(A|B_{j})P(B_{j})}$

2 贝叶斯公式

2.1 贝叶斯公式带来的思考

给定某些样本 $D$ ，在这些样本中计算某结论 $A_{1},A_{2},...,A_{n}$ 出现的概率，即 $P(A_{i}|D)$

$maxP(A_{i}|D)=max\frac{P(D|A_{i})P(A_{i})}{P(D)}$ 贝叶斯公式

$max\frac{P(D|A_{i})P(A_{i})}{P(D)}=max(P(D|A_{i})P(A_{i}))$ 样本给定，则对于任何 $A_{i},P(D)$ 是常数，仅为归一化因子。

$max(P(D|A_{i})P(A_{i})) -> maxP(D|A_{i}$ ：忽略 $P(A_{i})$

$maxP(A_{i}|D) -> maxP(D|A_{i})$ ：若这些结论 $A_{1},A_{2},...,A_{n}$ 的先验概率相等（或近似），则可以由此推导。

2.2 贝叶斯公式的应用

金条问题：

设这三个箱子为B=

最低0.47元/天解锁文章

桑之未落0208

关注

3
点赞
踩
11

收藏

觉得还不错? 一键收藏
0
评论
Chapter 12 贝叶斯网络

贝叶斯网络
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。