离散数学：理解图论

Abstract: 机器学习中我们希望从数据中挖掘隐含信息或模型，若将图中的结点作为随机变量，连接作为相关性关系，那么我们就能构造出图模型，并期望解决这一问题。而构造这样的概率图模型需要一定的图论知识。本文就总结了图论的基本概念、以及与ML的关系。

图论：以图为研究对象，描述某些事物间的特定关系。由结点与边组成，G = {V，E}。有向边与无向边。有向图与无向图。

树型结构：树是图的一种；从根节点开始，并能和其他结点相连接的图；有向性

ML X 图论：决策树；概率图模型

图论 GRAPH THEORY

关键图：

• 路：开路，回路，真路，链，闭链

• 连通图，连通子图，分图

• 欧拉图，哈密顿图

• 树，生成树，最小生成树，有向树

• 二部图

• 平面图

机器学习与图论

ML: 从数据中挖掘隐含信息与模型

• 将图中的结点作为随机变量，边（连接）作为相关性关系，则可构造出图模型。

• 概率图模型（概率论+图论）是实现这一任务的重要手段

决策树：可表示为给定特征条件下类的条件概率分布。

• 结点：由表示特征的内部结点和表示类的叶节点构成

• 决策树的学习包括特征的选择、决策树的生成和决策树的剪枝

• 树型：包含于图论

图论

• 数学的分支

• 以图为研究对象，研究顶点和边组成的图形

• 图数据结构或树型算法：来源于图论

LOOSEY–GOOSEY图

非线性结构：

• 最基础特征：数据不遵循特有顺序（至少无明显数值关系），类似数组和链表

</