Probabilistic Graphical Models：二、Bayes Network Fundamentals（1、Semantics & Factorization）
浏览数：34 /
时间：2015年06月09日
一、How to construct the dependency？
1、首字母即随机变量名称
2、I->G是更加复杂的模型，但Bayes里不考虑，因为Bayes只是无环图。
3、CPD = conditional probability distribution。图中的每一个点都是一个CPD，这里5个点，就有五个CPD。
二、Chain Rule for Bayesian Neatworks
将整个Bayes网络的所有节点所构成的联合概率（Joint probability）利用链式法则（chain rule）因式分解为多个条件概率之积。
步骤：
1、先从没有条件的根节点开始，乘上每个根节点概率；
2、从上往下（从根到叶）逐步写出每个节点的条件概率，如P(G|D,I)、P(S|I)再P(L|G)
三、小结
四、Joint Probability Distribution的特性
1、值非负（P>=0）；
2、联合分布的所有可能性之和为1；
3、P factorizes over G，P可用G中的CPD因式分解表示。
郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
