【人工智能】贝叶斯网络之MATLAB实验

最新推荐文章于 2023-06-25 14:44:11 发布

weixin_33950035

最新推荐文章于 2023-06-25 14:44:11 发布

阅读量1.2k

点赞数 1

文章标签： matlab 人工智能 python

原文链接：https://my.oschina.net/SnifferApache/blog/343756

版权

2019独角兽企业重金招聘Python工程师标准>>>

1、贝叶斯网络基础

首先复习一下贝页斯公式

例题：分别有 A、B 两个容器，在容器 A 里分别有 7 个红球和 3 个白球，在容器 B 里有 1 个红球和 9 个白球，现已知从这两个容器里任意抽出了一个球，且是红球，问这个红球是来自容器 A 的概率是多少?

则有：P(红) = 8/20，P(A) = 1/2，P(红|A) = 7/10，其中P(红)表示整体上摸出红球的概率，P(A)表示选中A容器的概率，P(红|A)表示从A容器条件下摸出红球的概率

按照公式，则有：

P(A|红) = P(红|A)*P(A) / P(红)

= (7/10)*(1/2) / (8/20) = 0.875

1.1、朴素贝叶斯理论

朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。

1.2、朴素贝叶斯理论的局限性

朴素贝叶斯理论假设各个特征属性条件独立，但是实际情况中这比较难满足，问题随之也来了，由于特征属性间存在依赖关系（如头像是否真实与好友密度之间），使得朴素贝叶斯分类不适用了。既然这样，需要寻找另外的解决方案。

也就是贝叶斯网络

1.3、贝叶斯网络

一个贝叶斯网络定义包括一个有向无环图（Directed Acyclic Graph ）和一个条件概率表集合。

DAG中每一个节点表示一个随机变量，可以是可直接观测变量或隐藏变量，而有向边表示随机变量间的条件依赖；条件概率表中的每一个元素对应DAG中唯一的节点，存储此节点对于其所有直接前驱节点的联合条件概率。

2、贝叶斯网络MATLAB编程实现

2.1、环境搭建

安装MATLAB，添加FULLBNT工具箱具体参考这里（http://blog.sina.com.cn/s/blog_6c7b434d01013ufz.html）

注意MATLAB中字体需要设置为中文字体，才能在编辑器和命令窗口支持中文，否则汉字会显示为小方框

2.2、习题：是窃贼还是地震

福尔摩斯先生在他的办公室工作时接到了他邻居华生的电话。华生告诉他：他的家里可能进了窃贼，因为他家的警铃响了

被告知有窃贼闯入，福尔摩斯迅速开车回家。在路上，他听广播得知他家那里发生了地震。地震也有可能引起警报。这样，请问福尔摩斯先生应该回家抓贼还是迅速撤离该地区以躲避地震？

条件如下

题目分析：

简单讲，在路上的holmes需要判断是盗贼还是地震导致警铃？如果是前者，他需要回去抓贼，若是后者，则要逃离地震区。

所以图中虽然有5个节点，地震并不100%导致警铃，警铃也不100%导致华生的信号。

但是我们在得到信号，听到警铃的情况下，可以通过计算盗贼导致警铃的概率p1，和地震导致警铃的概率pp1来进行决策，也可以计算在地震发生条件下，盗贼导致警铃的概率p2。

如果p2比p1小，说明新添加的条件E才是导致A的主要原因。

2.3、具体实现如下

%1、建立贝叶斯网络结构
N = 3; %三个节点，分别是B、E、A
dag = zeros(N,N);
B = 1; E = 2; A = 3; 
%节点之间的连接关系
dag(B,A) = 1;
dag(E,A) = 1; 
discrete_nodes = 1:N; %离散节点
node_sizes = 2*ones(1,N);%节点状态数
bnet =mk_bnet(dag,node_sizes,'names',{ 
    'BB','EE','AAA'
    },'discrete',discrete_nodes);
bnet.CPD{B} = tabular_CPD(bnet,B,[0.9 0.1]);%手动输入的条件概率
bnet.CPD{E} = tabular_CPD(bnet,E,[0.99 0.01]);
bnet.CPD{A} = tabular_CPD(bnet,A,[0.99 0.1 0.1 0.01 0.01 0.9 0.9 0.99]);
%2、画出建好的贝叶斯结构
draw_graph(dag);
%3、使用联合树引擎对贝叶斯网络进行推断
engine = jtree_inf_engine(bnet);
%4、求解边缘分布假设，
%我们要计算盗窃导致响铃的概率
evidence = cell(1,N);
evidence{A} = 2;
[engine, loglik] = enter_evidence(engine, evidence);
marg = marginal_nodes(engine, B);
p1 = marg.T(2);%算出p1=0.8412
%现在我们添加地震的证据观察它有什么不同
evidence{E} = 2;
[engine, loglik] = enter_evidence(engine, evidence);
marg = marginal_nodes(engine, B);
p2 = marg.T(2);%算出p2=0.1089
%结论是地震更能解释响铃这个主要事实

%联合概率分布
evidence = cell(1,N);
[engine, ll] = enter_evidence(engine, evidence);
m = marginal_nodes(engine, [B E A]);

建好的贝叶斯网络

接下来添加R和W节点

2.4、修改上述代码

%1、建立贝叶斯网络结构
N = 5; %三个节点，分别是B、E、A、R、W
%分别代表盗贼、地震、警铃、广播、华生致电holmes；
dag = zeros(N,N);
B = 1; E = 2; A = 3; 
R = 4; W=5;
%节点之间的连接关系
dag(B,A) = 1;
dag(E,A) = 1; 
dag(E,R) = 1;
dag(A,W) = 1;
discrete_nodes = 1:N; %离散节点
node_sizes = 2*ones(1,N);%节点状态数
bnet =mk_bnet(dag,node_sizes,'names',{ 
    ' BB','EE','AAA','RR','WWW'
    },'discrete',discrete_nodes);
bnet.CPD{B} = tabular_CPD(bnet,B,[0.9 0.1]);%手动输入的条件概率
bnet.CPD{E} = tabular_CPD(bnet,E,[0.99 0.01]);
bnet.CPD{A} = tabular_CPD(bnet,A,[0.99 0.1 0.1 0.01 0.01 0.9 0.9 0.99]);
bnet.CPD{R} = tabular_CPD(bnet,R,[0.999 0.01 0.001 0.99]);
%概率表输入顺序：本节点状态不变，条件变化……
bnet.CPD{W} = tabular_CPD(bnet,W,[0.99 0.35 0.01 0.65]);
%2、画出建好的贝叶斯结构
draw_graph(dag);
%3、使用联合树引擎对贝叶斯网络进行推断
engine = jtree_inf_engine(bnet);
%4、求解边缘分布假设，
%我们要计算盗窃导致响铃的概率
evidence = cell(1,N);
evidence{A} = 2;
[engine, loglik] = enter_evidence(engine, evidence);
marg = marginal_nodes(engine, B);
p1 = marg.T(2);%算出p1=0.8412
%现在我们添加地震的证据观察它有什么不同
evidence{E} = 2;
[engine, loglik] = enter_evidence(engine, evidence);
marg = marginal_nodes(engine, B);
p2 = marg.T(2);%算出p2=0.1089
%结论是地震更能解释响铃这个主要事实

%联合概率分布
evidence = cell(1,N);
[engine, ll] = enter_evidence(engine, evidence);
m = marginal_nodes(engine, [B E A]);

建好的贝叶斯网络