如何将有向图转化为无向图_概率图（1）：图的表示方法和极大似然估计

表示

概率图的表示，或者说建模方法，主要是将问题识别为一组随机变量，然后用图的方式表达这组变量的关系。既然是图，就会有节点和边。节点代表变量，边代表变量之间的关系。根据边是否有方向可以分为有向图和无向图两类。

有向图

有向图也称为贝叶斯信念网络（简称贝叶斯网络或者信念网络，BN）。有向图对应的是一组变量的联合分布关系。当看到一个有向图，可以得出对应的联合分布为：

其中pa就代表所有

节点的父节点，也就是哪些节点有直接的箭头指向

的。

比如说，有这样一个贝叶斯网络，包含abc三个节点：

根据这个图的关系，可以得知

上面这个图中，所有节点之间都有边相连，得到的表达式跟之间的概率乘法公式一致，所以这个图是没有实际信息量的。而贝叶斯网络实际的价值就是告诉我们图中没有哪些边，这个才是额外的信息量。比如说如果我们能把a和b之间连接去掉，那么根据图上的信息，联合概率分布就变成

，这个相比之下就更容易计算或者说减少计算量。

在贝叶斯网络中表达出来的额外信息主要是条件独立和边缘独立。为了理解这两个概念，考虑对三个变量中有两个变量之间无连接的情况主要有4种：

对于这四种情况，可以分析

之间的独立性。

比如由图a可得：

如果对照乘法概率公式：

可以得出：

，也等价于

这个就是所谓的边缘独立（写做

）。

然后由图b可得：

再对照乘法概率公式：

可以得出：

这个则是所谓的条件独立（写做

）。另外图c和d都可以推出同样条件独立的结论，不再赘述。可以看到条件独立和边缘独立在公式上区别就是有没有加入条件项

<