再來說一點貝葉斯網絡
樸素貝葉斯分類器 和 貝葉斯網絡的區別就是，樸素貝葉斯分類器的各個特征屬性之間是相互獨立的，而貝葉斯網絡研究的問題則針對于特征屬性不獨立的情況。

貝葉斯網絡(Bayesian network)，又稱信念網絡(Belief Network)，或有向無環圖模型(directed acyclic graphical model)，是一種概率圖模型，于1985年由Judea Pearl首先提出。它是一種模擬人類推理過程中因果關系的不確定性處理模型，其網絡拓樸結構是一個有向無環圖(DAG)。

貝葉斯網絡的有向無環圖中的節點表示隨機變量，它們可以是可觀察到的變量，或隱變量、未知參數等。認為有因果關系（或非條件獨立）的變量或命題則用箭頭來連接（換言之，連接兩個節點的箭頭代表此兩個隨機變量是具有因果關系，或非條件獨立）。若兩個節點間以一個單箭頭連接在一起，表示其中一個節點是“因(parents)”，另一個是“果(children)”，兩節點就會產生一個條件概率值。

例如，假設節點E直接影響到節點H，即E→H，則用從E指向H的箭頭建立結點E到結點H的有向弧(E,H)，權值(即連接強度)用條件概率P(H|E)來表示，如下圖所示：

簡言之，把某個研究系統中涉及的隨機變量，根據是否條件獨立繪制在一個有向圖中，就形成了貝葉斯網絡。其主要用來描述隨機變量之間的條件依賴，用圈表示隨機變量(random variables)，用箭頭表示條件依賴(conditional dependencies)。

貝葉斯網絡定義： 令G = (I,E)表示一個有向無環圖(DAG)，其中I代表圖形中所有的節點的集合，而E代表有向連接線段的集合，且令X = (Xi)i ∈ I為有向無環圖中的某一節點i所代表的隨機變量，若節點X的聯合概率可以表示成：

則稱X為相對于有向無環圖G 的貝葉斯網絡，其中，pa(i)表示節點i之“因”，或稱pa(i)是i的parents（父母）。
此外，對于任意的隨機變量，其聯合概率可由各自的局部條件概率分布相乘而得出：

如下圖所示，便是一個簡單的貝葉斯網絡：

有p(a,b,c)=p(c|a,b)p(b|a)p(a)

注：這里定義其實還不是特別理解

貝葉斯網絡的3種結構形式
形式1：head-to-head

在c未知的條件下，a、b被阻斷(blocked)，是獨立的，稱之為head-to-head條件獨立。

形式2：tail-to-tail

在c給定的條件下，a，b被阻斷(blocked)，是獨立的，稱之為tail-to-tail條件獨立，但在c未知的情況下，a，b不獨立

形式3：head-to-tail

在c給定的條件下，a，b被阻斷(blocked)，是獨立的，稱之為head-to-tail條件獨立。但在c未知情況下，a，b不獨立

注：這個head-to-tail其實就是一個鏈式網絡，在xi給定的條件下，xi+1的分布和x1,x2…xi-1條件獨立。即：xi+1的分布狀態只和xi有關，和其他變量條件獨立，這種順次演變的隨機過程，就叫做馬爾科夫鏈（Markov chain）。

且有：

思考：在貝葉斯網絡的實際應用中，往往只知道有那些特征屬性，但并不知道網絡拓撲，也不知道特征屬性之間的具體關系，所以在實際的應用中，有時候需要預設拓撲，并通過不斷的學習來更新拓撲以及特征屬性之間的聯系。這是掌握了貝葉斯網絡之后需要進一步學些的內容。

目前就看懂到這兒了，后續在補充

其他相關未懂概念：因子圖，道德圖，

參考：https://blog.csdn.net/zdy0_2004/article/details/41096141
https://blog.csdn.net/cxjoker/article/details/81878188
https://blog.csdn.net/tanggao1314/article/details/69055442

總結

以上是生活随笔為你收集整理的贝叶斯网络的全部內容，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。