python贝叶斯网推断因果 贝叶斯网络推理算法

文章目录

• 1、朴素贝叶斯公式

• 1.1、贝叶斯公式的应用

• 2、了解贝叶斯网络

• 2.1、知道什么是贝叶斯网络
• 2.2、贝叶斯网络的两种表示形式
• 2.3、掌握全连接的贝叶斯网络的公式
• 2.3、知道条件概率表参数个数分析的方法
• 2.4、掌握变量联合分布概率的公式及含义
• 2.5、知道马尔科夫模型

• 3、了解D-separation

• 3.1、知道下面的三个通过贝叶斯网络判定条件独立
• 3.2、有向分离的实例

• 4、了解贝叶斯网络的生成过程

1、朴素贝叶斯公式

1.1、贝叶斯公式的应用

2、了解贝叶斯网络

2.1、知道什么是贝叶斯网络

贝叶斯网络又称为有向无环图模型，是一种概率图模型，根据概率图的拓扑结构，考察一组随机变量（X1,X2,X3…Xn）及其n组条件概率分布的性质

2.2、贝叶斯网络的两种表示形式

2.3、掌握全连接的贝叶斯网络的公式

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

2.3、知道条件概率表参数个数分析的方法

知道这个分析过程中的式子代表的含义

13代表的是所需参数的个数

2.4、掌握变量联合分布概率的公式及含义

含义也就是计算J、M、A、！b、！a同时发生的概率

2.5、知道马尔科夫模型

知道马尔科夫模型对应的是只有一条链路的贝叶斯网络

3、了解D-separation

D-separation：有向分离
作用：通过判断节点是否独立来简化概率运算

3.1、知道下面的三个通过贝叶斯网络判定条件独立

3.2、有向分离的实例

将右边圆圈看做一个整体来分析各个节点之间的是否条件独立，以此来简化概率运算

4、了解贝叶斯网络的生成过程

贝叶斯网络生成过程：

根据给定的概率数据去计算各个节点之间是否有连线：

如P(J|M)=P(J)？若相等则代表独立，则不应该有边；若不相等则代表不独立，则代表有边。以此类推来计算不同节点之间的关系，得到最终的贝叶斯网络。

实例