贝叶斯网络python实现_机器学习_统计模型之（二）贝叶斯网络

1. 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。它用网络结构代表领域的基本因果知识。

贝叶斯网络中的节点表示命题(或随机变量)，认为有依赖关系(或非条件独立)的命题用箭头来连接。

令G = (I,E)表示一个有向无环图(DAG)，其中I代表图形中所有的节点的集合，而E代表有向连接线段的集合，且令X = (Xi)， i ∈ I为其有向无环图中的某一节点i所代表的命题，则节点X的联合概率可以表示成：

其中Pa(i)是i的父结点，是i的因。联合概率可由各自的局部条件概率分布相乘得出：

p(x1,…,xk)=p(xk|x1,….,xk-1)…p(x2|x1)p(x1)

这里顺便说一下朴素贝叶斯，由于其中各个变量x相互独立p(x2|x1)=p(x2)，得出：

p(x1,…,xk)=p(xk)…p(x2)p(x1)

因此说朴素贝叶斯是贝叶斯网络的一种特殊情况。

2. 例程

(1) 功能

eBay的Bayesian-belief-networks是一个贝叶斯网络的python工具包，此例为使用该库解决蒙提霍尔三门问题。

(2) 问题描述

蒙提霍尔是概率中的经典问题，出自美国的电视游戏节目。问题的名字来自该节目的主持人蒙提•霍尔(Monty Hall)。参赛者会看见三扇关闭了的门，其中一扇的后面有一辆汽车，选中后面有车的那扇门可赢得该汽车，另外两扇门后面则各藏有一只山羊。当参赛者选定了一扇门，但未去