我的文章尽量言简意赅,不浪费大家时间,如果需要补充请留言,
先上图,假设有这样一个有向不循环图:
![135378675a504215b15984c1c1e4ef93.png](https://i-blog.csdnimg.cn/blog_migrate/5f138310ab3727f4e84f4e363d06a2da.jpeg)
为了说明父子关系:A->C , 对于C来说A是上两级的父,B是上一级的父
根据传统的条件概率链式法则:
P(A,B,C,D) = P(A)P(D|A,B)P(B|A)P(C|A,B)
根据贝叶斯网络公式:
![4aafb0d3081fb9cde0f89325088d32a8.png](https://i-blog.csdnimg.cn/blog_migrate/516160dc4e1f35c76d7155eb28d54204.jpeg)
贝叶斯公式包含一系列节点的本地马尔可夫假设
(Local Markov Assumption: A variable X is independent of its nondescendants given its parents (only the parents))
翻译过来的意思是,当X有父节点发生时,X节点和其他不是X的子节点发生概率独立。
我的理解是,X节点只和它的一级父节点有关,其他节点都是独立。
应用贝叶斯网络举例:
P(A,B,C,D) = P(A)P(D|A,B)P(B|A)P(C|A,B) => P(A,B,C,D) = P(A)P(D|A,B)P(B|A)P(C|B)
对于C来说,只有B是它的第一级父节点,只考虑一级,A 是C的第二级父节点,所以删除,概率公式进行了简化。