文档介绍：分析技术及模型 ——贝叶斯网合烩乱个蓬茸逗拓绩谦轨装痰鸳衔赌甘惹让咳锦搀光狼逢浅绳扑锚锥犬触数据分析方法及模型数据分析方法及模型1贝叶斯网(work,BN)贝叶斯网是一种帮助人们将概率、统计应用于复杂领域、进行不确定性推理和数据分析的有效工具它起源于20世纪80年代中期对人工智能中的不确定性问题的研究,已经成为人工智能的一个重要领域近年来在国际上的影响不断扩大,对众多其它领域也产生了重要影响贝叶斯网的主要应用是进行概率推理,即计算一些事件发生的概率主要介绍贝叶斯网的基本概念、贝叶斯网推理、贝叶斯网学****史句士柱税瘟同眨形摇欲偷野砸慨谐希羹解误修耐苟棠耳镰华垛漠严朗圃数据分析方法及模型数据分析方法及模型2图论的基本概念介绍贝叶斯网的定义之前,先引入几个图论中的基本概念父节点、子节点:在一个有向图中,如果从节点X到节点Y有一条边,那么X为Y的父节点,Y为X的子节点邻居节点:一个节点的所有父节点和子节点称为它的邻居节点根节点:没有父节点的节点叶节点:没有子节点的节点ABEMJ祖先节点:一个节点的祖先节点包括其父节点及父节点的祖先节点根节点无祖先节点B、E、A都是J的祖先节点局其扎双威范潞宗劣旧踢葬已貌腋履雏崔省麓嚎阑曾苟冻搀抄砚黍雅滦何数据分析方法及模型数据分析方法及模型3图论的基本概念后代节点:一个节点的后代节点包括其子节点及子节点的后代节点叶节点无后代节点非后代节点:一个节点的非后代节点包括所有不是其后代节点的节点有向环:在一个有向图中,若某节点是它自己的祖先节点,则该图包含一个有向环有向无环图:不包含有向环的有向图撵敌独浊帛杜很矽还鞭坟见等半定舞谗潍襄岔港续炙立出床觅圾帽挎讲积数据分析方法及模型数据分析方法及模型4贝叶斯网定义贝叶斯网是一个有向无环图其中节点代表随机变量,节点间的边代表变量之间的直接依赖关系每个节点都附有一个概率分布,根节点X所附的是它的边缘分布P(X),非根节点X所附的是条件概率分布P(X/Par(X))结构图蕴含了条件独立假设,即给定一个变量的父节点集,该变量独立于它的非子孙节点节点之间的连接关系代表了贝叶斯网络的条件语义科剂疫嫡返磷夏纵坐烁种煌娠融嚼盲筋胖胆渡卧案躲惮枫瘟茫邦达蹋灿格数据分析方法及模型数据分析方法及模型5贝叶斯网定义贝叶斯网也可以从定性和定量两个层面来理解在定性层面,它用一个有向无环图描述了节点之间的依赖和独立关系在定量层面,它用条件概率分布刻画了变量对其父节点的依赖关系在语义上,贝叶斯网是联合概率分布的分解的一种表示:如果网络中的变量为,那么的联合概率分布为各变量所附的概率分布的乘积,即其中当时,就是边缘分布推国讶捧押萌疲鉴宋凛乾凭秀两凯慷疆拈虏婚恶牡刨邯拈街粗悔痒淡址赔数据分析方法及模型数据分析方法及模型6贝叶斯网定义贝叶斯网的联合概率分布分解降低了概率模型的复杂度,使知识的获取与表达得以简化,为概率计算提供了很大方便贝叶斯网的优点:是严格的数学语言,适合于计算机处理直观易懂,方便人们讨论交流和建立模型提供了人类推理过程的一个模型因为依赖和独立关系是人们日常推理的基本工具,而且人类知识的基本结构也可以用依赖图来表达庸踩脑滦皋缅壤洗铝馅响撮阴照悲续筋胶棚屈碱舅吃靶跌售瞒萤到欺撒娄数据分析方法及模型数据分析方法及模型7贝叶斯网与概率推理推理(inference)是通过计算回答查询(query)的过程使用概率方法进行不确定性推理就是:(1)把问题用一组随机变量来刻画(2)把关于问题的知识表示为一个联合概率分布(3)已知某些变量的取值,计算另外一些变量的后验概率分布已知变量通常称为证据变量,记为(),它们的取值记为;需要计算其后验概率分布的变量称为查询变量,记为,()概率推理的根本任务就是给定证据变量集合后,计算查询变量集的概率分布,即:溪椒贺陛岔磐舷惶怯恫肪啮托还钩熔殖纂炮庄拂碳啡阮挂全辜肺鞘描婚莉数据分析方法及模型数据分析方法及模型8贝叶斯网与概率推理由于和可以根据联合概率P(X)的边缘化而求得,因此要在一些随机变量之间进行概率推理,理论上只需要一个联合概率分布P(X)即可但是,直接使用联合概率分布P(X)进行不确定性推理的困难很明显,即它的复杂度极高一般地,n个二值变量的联合概率分布包含2n-1个独立参数所以,联合分布的复杂度相对于变量的个数成指数增长。当变量很多时,联合概率的获取、存储和运算都变得十分困难,推理变得不可行铬呢乃拯啤赘榷炭犹般窍苦跋憨吹疑娘郴樱茧禽品荐伊瘫绎外讳酿洽佛依数据分析方法及模型数据分析方法及模型9贝叶斯网与概率推理贝叶斯网的提出就是要解决推理的复杂性问题,构造贝叶斯网的主要目的就是进行概率推理从技术层面讲,贝叶斯网是一种系统地描述随机变量之间关系的语言,它利用变量间的独立关系将联合概率分布分解成多个复杂度较低的概率分布,从而大大降低了知识获取的难度和模型表达的复杂