数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学什么是贝叶斯信念网络？
朴素贝叶斯分类器假设类条件独立性，即给定元组的类别标签，属性的值被认为是条件独立的。这简化了计算。
当假设成立时，朴素贝叶斯分类器比多个分类器效率更高。贝叶斯信念网络定义联合条件概率分布。
它们能够表示变量子集之间的类条件独立性。它们支持因果关系的图形结构，可以在其上实现学习。训练好的贝叶斯信念网络用于分类。贝叶斯信念网络也称为信念网络、贝叶斯网络和概率网络。
信念网络由两个组成部分表示：一个有向无环图和一组条件概率表。有向无环图中的每个节点定义一个随机变量。变量可以是离散值或连续值。
它们可以对应于信息中给定的某些属性，也可以对应于被认为形成关系的“隐藏变量”（例如，在医疗记录的情况下，隐藏变量可以表示一个综合征，描述一些症状，这些症状共同识别出一种明确的疾病）。
每条弧定义一个概率依赖关系。如果从节点Y到节点Z画一条弧，则Y是Z的父节点或瞬时前驱，Z是Y的后代。给定其父节点，每个变量与其非后代条件独立。
信念网络为每个变量有一个条件概率表（CPT）。变量Y的CPT定义条件分布P(Y|Parents(Y))，其中Parents(Y)是Y的父节点。
网络中的一个节点可以选择作为“输出”节点，定义一个类别标签属性。可以有多个输出节点。有几种推理和学习算法可用于网络。分类过程不是返回单个类别标签，而是返回一个概率分布，该分布提供每个类别的概率。
信念网络可以用来模拟几个众所周知的问题。一个例子是遗传连锁分析，例如基因在染色体上的定位。通过将基因连锁问题转换为贝叶斯网络上的推理方法，并利用最先进的算法，分析的可扩展性得到了显著提高。
许多应用受益于信念网络的需求，例如计算机视觉、图像恢复和立体视觉、文件和文本分析、决策支持系统和敏感性分析。许多应用可以简化为贝叶斯网络推理的内容是有益的，因为它减少了为每个应用生成专用算法的需求。
870 次浏览
