文章目錄

• 1、樸素貝葉斯公式
• • 1.1、貝葉斯公式的應用
• 2、了解貝葉斯網絡
• • 2.1、知道什么是貝葉斯網絡
  • 2.2、貝葉斯網絡的兩種表示形式
  • 2.3、掌握全連接的貝葉斯網絡的公式
  • 2.3、知道條件概率表參數個數分析的方法
  • 2.4、掌握變量聯合分布概率的公式及含義
  • 2.5、知道馬爾科夫模型
• 3、了解D-separation
• • 3.1、知道下面的三個通過貝葉斯網絡判定條件獨立
  • 3.2、有向分離的實例
• 4、了解貝葉斯網絡的生成過程

1、樸素貝葉斯公式

1.1、貝葉斯公式的應用

2、了解貝葉斯網絡

2.1、知道什么是貝葉斯網絡

貝葉斯網絡又稱為有向無環圖模型，是一種概率圖模型，根據概率圖的拓撲結構，考察一組隨機變量（X1,X2,X3…Xn）及其n組條件概率分布的性質

2.2、貝葉斯網絡的兩種表示形式

2.3、掌握全連接的貝葉斯網絡的公式

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

2.3、知道條件概率表參數個數分析的方法

知道這個分析過程中的式子代表的含義
13代表的是所需參數的個數

2.4、掌握變量聯合分布概率的公式及含義

含義也就是計算J、M、A、！b、！a同時發生的概率

2.5、知道馬爾科夫模型

知道馬爾科夫模型對應的是只有一條鏈路的貝葉斯網絡

3、了解D-separation

D-separation：有向分離
作用：通過判斷節點是否獨立來簡化概率運算

3.1、知道下面的三個通過貝葉斯網絡判定條件獨立

3.2、有向分離的實例

將右邊圓圈看做一個整體來分析各個節點之間的是否條件獨立，以此來簡化概率運算

4、了解貝葉斯網絡的生成過程

貝葉斯網絡生成過程：
根據給定的概率數據去計算各個節點之間是否有連線：
如P(J|M)=P(J)？若相等則代表獨立，則不應該有邊；若不相等則代表不獨立，則代表有邊。以此類推來計算不同節點之間的關系，得到最終的貝葉斯網絡。

實例

總結

以上是生活随笔為你收集整理的机器学习之朴素贝叶斯算法的推理及相关知识总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。