机器学习-贝叶斯网络

贝叶斯网络的概念

把某个研究系统中涉及的随机变量，根据是否条件独立绘制在一个有向图中，就形成了贝叶斯网络。

贝叶斯网络(Bayesian network)，又称信念网络(Belief Network)，或有向无环图模型。是一种概率图模型，根据概率图的拓扑结构，考察一组随机变量X₁,X₂…X_nX₁,X₂…X_n及其n组条件概率分布的性质。也就是说它用网络结构代表领域的基本因果知识。  

贝叶斯网络的形式化定义

• BN(G,Θ)BN(G,Θ): 贝叶斯网络(Bayesian Network)

  • G:有向无环图 (Directed Acyclic Graphical model, DAG)

  • G的结点:随机变量X₁,X₂…X_nX₁,X₂…X_n

  • G的边:结点间的有向依赖

  • Θ:所有条件概率分布的参数集合

  • 结点X的条件概率: P(X|parent(X))P(X|parent(X))

    P(S,C,B,X,D)=P(S)P(C∣S)P(B∣S)P(X∣C,S)P(D∣C,B)P(S,C,B,X,D)=P(S)P(C∣S)P(B∣S)P(X∣C,S)P(D∣C,B)

每个结点所需参数的个数:

若结点的parentparent数目是MM,结点和parentparent的可取值数目都是K:KM∗(K−1)K:KM∗(K−1)

一个简单的贝叶斯网络

P(a,b,c)=P(c∣a,b)P(a,b)=P(c∣a,b)P(b∣a)P(a)P(a,b,c)=P(c∣a,b)P(a,b)=P(c∣a,b)P(b∣a)P(a)

全连接贝叶斯网络

每一对结点之间都有边连接

p(x₁,…x_n)=p(x_K∣x₁,…,x_K−1)…p(x₂∣x₁)p(x₁)p(x₁,…x_n)=p(x_K∣x₁,…,x_K−1)…p(x₂∣x₁)p(x₁)

P(X₁=x₁,…,X_n=x_n)=∏n_i=1P(Xi=xi∣Xi+1,…,Xn=xn)P(X1=x1,…,Xn=xn)=∏i=1nP(Xi=xi∣Xi+1,…,Xn=xn)

一个”正常“的贝叶斯网络

从图中我们可以看出：

• 有些边是缺失的

• 直观上来看：x1,x2x1,x2是相互独立的

• 直观上来看：x6,x7x6,x7在x4x4给定的条件下独立

• x1,x2,…x7x1,x2,…x7的联合分布：

  P(x1)P(x2)P(x3)P(x4∣x1,x2,x3)P(x5∣x1,x3)P(x6∣x4)P(x7∣x4,x5)P(x1)P(x2)P(x3)P(x4∣x1,x2,x3)P(x5∣x1,x3)P(x6∣x4)P(x7∣x4,x5)

贝叶斯网络的条件独立判定

我们来看一下贝叶斯网络的条件是如何判定的：

1. 条件独立：tail-to-tail

   

   根据图模型，得：P(a,b,c)=P(c)P(a∣c)P(b∣c)P(a,b,c)=P(c)P(a∣c)P(b∣c)

   从而：P(a,b,c)/P(c)=P(a∣c)P(b∣c)P(a,b,c)/P(c)=P(a∣c)P(b∣c)

   因为P(a,b∣c)=P(a,b,c)/P(c)P(a,b∣c)=P(a,b,c)/P(c)

   得：P(a,b∣c)=P(a∣c)P(b∣c)P(a,b∣c)=P(a∣c)P(b∣c)

   解释：在c给定的条件下，因为a,b被阻断（blocked），因此是独立的：P(a,b∣c)=P(a∣c)P(b∣c)P(a,b∣c)=P(a∣c)P(b∣c)

2. 条件独立：head-to-tail

   

   根据图模型，得：P(a,b,c)=P(a)P(c∣a)P(b∣c)P(a,b,c)=P(a)P(c∣a)P(b∣c)

   P(a,b∣c)=P(a,b,c)/P(c)=P(a)P(c∣a)P(b∣c)/P(c)=P(a,c)P(b∣c)/P(c)=P(a∣c)P(b∣c)P(a,b∣c)=P(a,b,c)/P(c)=P(a)P(c∣a)P(b∣c)/P(c)=P(a,c)P(b∣c)/P(c)=P(a∣c)P(b∣c)

   解释：在c给定的条件下，因为a,b被阻断（blocked），因此是独立的：P(a,b∣c)=P(a∣c)P(b∣c)P(a,b∣c)=P(a∣c)P(b∣c)

3. 条件独立：head-to-head

   

   根据图模型，得：P(a,b,c)=P(a)P(b)P(c∣a,b)P(a,b,c)=P(a)P(b)P(c∣a,b)

   由：∑cP(a,b,c)=∑nP(a)P(b)P(c∣a,b)∑cP(a,b,c)=∑nP(a)P(b)P(c∣a,b)

   得：P(a,b)=P(a)P(b)P(a,b)=P(a)P(b)

   解释：在c给定的条件下，因为a,b被阻断（blocked），因此是独立的：P(a,b)=P(a)P(b)P(a,b)=P(a)P(b)

有向分离

对于任意的结点集, 有向分离(D-separation): 对于任意的结点集A,B,C,考察所有通过A中任意结点到B中任意结点的路径,若要求A,B条件独立,则需要所有的路径都被阻断(blocked),即满足下列两个前提之一:

1. A和B的head-to-tail型和tail-to-tail型路径都通过C;
2. A和B的head-to-head型路径不通过C以及C的子孙结点;

图(a), 在tail-to-tail中, f没有阻断; 在head-to-head中, e阻断, 然而它的子结点c没有阻断, 即e所在的结点集没有阻断; 因此, 结点a, b关于c不独立.

图(b), 在tail-to-tail中, f阻断; 因此, 结点a,b关于f 独立. 在head-to-head中, e和它的子孙结点c都阻断; 因此, 结点a,b关于e独立.

特殊的贝叶斯网络

1. 马尔科夫模型

   

   结点形成一条链式网络，这种按顺次演变的随机过程模型就称作马尔科夫模型

   Ai+1Ai+1只与AiAi有关，与A1,…,Ai−1A1,…,Ai−1无关。

2. 隐马尔科夫模型

   Hidden Markov Model

   

   • 隐马尔科夫模型（HMM）可用标注问题，在语音识别、NLP、生物信息、模式识别等领域别实践证明的有效算法。
   • HMM是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。
   • HMM随机生成的状态的序列，成为状态序列，每个状态生成一个观测，由此产生的观测随机序列，称为观测序列
     • 序列的每一个位置可看做是一个时刻。
     • 空间序列也可以使用该模型.

3. 马尔科夫毯

   一个结点的**Markov Blanket **是一个集合，在这个集合中的结点都给定条件下，该结点条件独立于其他结点。

   **Markov Blanket **: 一个结点的Markov Blanket是它的parents,children以及spouses

   

   深色的结点集合，就是“马尔科夫毯”（**Markov Blanket **）

转载于:https://www.cnblogs.com/ZFJ1094038955/p/10640640.html