贝叶斯信念网络是如何学习的？

贝叶斯分类器是统计分类器。它们可以预测类成员概率，包括给定样本属于特定类的概率。贝叶斯分类器在处理大型数据库时也表现出很高的效率和速度。

一旦定义了类，系统应该推断出控制分类的规则，因此系统应该能够找到每个类的描述。这些描述仅应参考训练集的预测属性，以便只有正例应该满足描述，而不是负例。如果规则的描述涵盖了所有正例，并且没有覆盖任何负例，则称该规则是正确的。

它假设所有属性的贡献都是独立的，并且每个属性对分类问题都贡献相同，这是一种称为朴素贝叶斯分类的简单分类方案。通过分析每个“独立”属性的贡献，确定条件概率。通过将多个属性对预测的影响结合起来，进行分类。

朴素贝叶斯分类之所以被称为朴素，是因为它假设类条件独立性。属性值对给定类的影响独立于其他属性的值。做出这个假设是为了降低计算成本，因此被认为是“朴素”的。

在信念网络的学习或训练中，有多种情况可能发生。网络拓扑可以预先给出或从信息中推断出来。网络变量在某些训练元组中可以是可观察的或私有的。隐藏数据的方法定义为缺失值或不完整信息。

存在多种算法可以从给定的可观察变量的训练记录中理解网络拓扑。问题是离散优化。人类专业人员通常对影响分析领域中的直接条件依赖性有很好的理解，这有助于网络设计。专家应该为执行直接依赖性的节点定义条件概率。

这些概率可用于评估其余概率值。如果网络拓扑已知并且变量是可观察的，则训练网络很简单。它包括计算 CPT 条目，这与计算朴素贝叶斯分类中涉及的概率时所做的方法类似。

当网络拓扑给出并且几个变量被隐藏时，有多种方法可以选择训练信念网络。它可以定义一种有希望的梯度下降方法。对于那些没有高级数值背景的人来说，这个定义可能看起来相当吓人，因为它包含了充满微积分的公式。

Ginni

更新于: 2022年2月16日

314 次浏览

开启你的 职业生涯

通过完成课程获得认证

开始学习