本文介绍了概率图模型，重点关注贝叶斯网络的结构和推断方法。通过有向无环图DAG表示变量间依赖关系，详细解释了联合概率分布，并探讨了贝叶斯网络的三种结构。此外，文章还讨论了近似推断中的吉布斯采样及其收敛性质，以及隐马尔可夫模型HMM的基本概念和概率分布定义。
如果这篇文章对你有一点小小的帮助，请给个关注，点个赞喔，我会非常开心的~
0. 前言
概率图模型是一类用图来表达变量相关关系的概率模型。图中的节点代表变量，图中的边代表变量之间存在某种联系。
贝叶斯网络利用有向无环图DAG来刻画变量之间的依赖关系。 B = < G , θ > B=<G,\theta> B=<G,θ>， B B B表示贝叶斯网络， G G G表示有向无环图， θ \theta θ表示参数，假设变量 x i x_i xi的父节点为 π i \pi_i πi，则 θ x i ∣ π i = P B ( x i ∣ π i ) \theta_{x_i\mid\pi_i}=P_B(x_i\mid\pi_i) θxi∣πi=PB(xi∣πi)。
马尔可夫链：系统下一时刻的状态仅由当前状态决定，不依赖于以往任何状态。
1. 贝叶斯网络结构
贝叶斯网络的联合概率分布定义为：
P B ( x 1 , . . . , x d ) = ∏ i = 1 d P B ( x i ∣ π i ) = ∏ i = 1 d θ x i ∣ π i P_B(x_1,...,x_d)=\prod_{i=1}^dP_B(x_i\mid \pi_i)=\prod_{i=1}^d\theta_{x_i\mid\pi_i} PB(x1,...,xd)=i=1
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
