FullBNT实例应用（转载他人的），研究一下

原文转自：http://blog.csdn.net/moodytong/article/details/8122327

实例分析

            如下图所示，给出了贝叶斯网络的图和相应的条件概率

            

                        对上述信息建立贝叶斯网络，代码如下

                      

[plain]  view plain copy

1. N=8;  
2. dag=zeros(N,N);  
3. A=1;S=2;T=3;L=4;B=5;E=6;X=7;D=8;  
4. dag(A,T)=1;  
5. dag(S,[L B])=1;  
6. dag([T L],E)=1;  
7. dag(B,D)=1;  
8. dag(E,[X D])=1;  
9. discrete_nodes=1:N;  
10. node_sizes=2*ones(1,N);  
11. bnet=mk_bnet(dag,node_sizes,'names',{'A','S','T','L','B','E','X','D'},'discrete',discrete_nodes);  
12. bnet.CPD{A}=tabular_CPD(bnet,A,[0.99,0.01]);  
13. bnet.CPD{S}=tabular_CPD(bnet,S,[0.5,0.5]);  
14. bnet.CPD{T}=tabular_CPD(bnet,T,[0.99,0.95,0.01,0.05]);  
15. bnet.CPD{L}=tabular_CPD(bnet,L,[0.99,0.9,0.01,0.1]);  
16. bnet.CPD{B}=tabular_CPD(bnet,B,[0.7,0.4,0.3,0.6]);  
17. bnet.CPD{E}=tabular_CPD(bnet,E,[1,0,0,0,0,1,1,1]);  
18. bnet.CPD{X}=tabular_CPD(bnet,X,[0.95,0.02,0.05,0.98]);  
19. bnet.CPD{D}=tabular_CPD(bnet,D,[0.9,0.2,0.3,0.1,0.1,0.8,0.7,0.9]);  
20. draw_graph(dag)  

                    说明：有N=8个节点，建立有向无环图dag，并且这些点的值是离散的，这里1=False 2=True，node_sizes给出了所有状态

                    mk_bnet中names后的{}里面给出了各个节点的别名

                    利用tabular_CPD设置各个变量的边缘概率，对于A和S，定义顺序是False True；对于T、L和B这类，顺序是FF  FT TF TT；对于D这类，顺序是FFF FFT FTF FTT TFF TFT TTF TTT

       简单检查下A的概率

[plain]  view plain copy

1. engine=jtree_inf_engine(bnet);  
2. evidence=cell(1,N);  
3. [engine,loglik]=enter_evidence(engine,evidence);  
4. m=marginal_nodes(engine,A);  
5. m.T()  

现在可以给定任意条件，然后计算概率了。

[plain]  view plain copy

1. 例如要计算任意组合条件下，个体分别得Tub、lung cancer和bronchitis的概率。下面代码计算了P（T=True|A=False,S=True,X=True,D=False）的概率  

[plain]  view plain copy

1. engine=jtree_inf_engine(bnet);  
2. evidence=cell(1,N);  
3. evidence{A}=1;  
4. evidence{S}=2;  
5. evidence{X}=2;  
6. evidence{D}=1;  
7. [engine,loglik]=enter_evidence(engine,evidence);  
8. m=marginal_nodes(engine,T);  
9. m.T(2)