贝叶斯信念网络Bayes Belief network
贝叶斯信念网络Bayes Belief network
文章目录
1. BBN
别称:贝叶斯网络、信念网络、概率网络
信念:相信专家给的概率
网络拓扑:
- 数据构造
- 专家构造
可能不需要学习数据,整个网络可能都是由专家经验产生的
朴素贝叶斯:特征(属性)之间互相独立
但是特征之间不一定一定独立,会存在一些依赖。怎么解决?
联合条件概率分布
2. 两大成分
- 有向无环图
有向边:表示特征之间的关系
结点之间关系:
- 独立(无关系)
- 父结点、孩子结点:父结点是当前结点的因,孩子结点是当前结点的果
- 条件概率表CPT(Condition probability table)
表中的发生概率来自于专家
3. 先验概率
3.1.1 计算患心脏病的概率
E的可能取值
D的可能取值
E和D相互独立
3.1.2 计算血压高的概率
4. 条件概率
4.2.1 基于孩子结点,父母结点的条件概率
p(A|B)p(B) = p(AB)
p(B|A)p(A) = p(AB)
得出:
4.2.2 基于父母结点,孩子结点的条件概率
4.2.3 结点之间独立
5. 网络拓扑
- 网络拓扑未知
- 网络拓扑已知,并且网络内部可观测
- 网络拓扑已知,并且网络内部某些变量隐藏(缺失)
1:需要构造网络拓扑
3:需要训练网络,用以完整网络
5.1 未知网络拓扑
- 一些学习算法可通过训练数据来产生网络拓扑
- 专家构造
5.2 某些变量隐藏
有不同的方法来训练信念网络,比如梯度下降法(迭代的方式)Gradient descent。
梯度下降算法
目的:找出最大化该函数的权重的集合
- 计算梯度
D:数据集
:训练元组,的概率记为 p(可使用贝叶斯网路推理的标准算法求得)
- 沿梯度方向前进一小步
:表示步长的学习率(一般取小点,便于收敛)
- 重新规格化权重
是概率值,必须在[0,1]之间并且对于所有的i、k,。权重更新之后(第二步之后)可以对其规格化来保证上述条件
:有双亲()的 变量()的 CPT表目,可以看作权重,是对数据建模的重要参数
变量:网路中的结点