【海量数据挖掘/数据分析】之贝叶斯信念网络（贝叶斯信念网络、有向无环图、贝叶斯公式、贝叶斯信念网络计算实例）-Toy模板网

这篇具有很好参考价值的文章主要介绍了【海量数据挖掘/数据分析】之贝叶斯信念网络（贝叶斯信念网络、有向无环图、贝叶斯公式、贝叶斯信念网络计算实例）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

【海量数据挖掘/数据分析】之贝叶斯信念网络（贝叶斯信念网络、有向无环图、贝叶斯公式、贝叶斯信念网络计算实例）

一、贝叶斯信念网络

1 . 属性关联 : 贝叶斯信念网络允许数据集样本属性之间存在依赖关系 ;

2 . 贝叶斯信念网络表示方法 :

二、概率图模型 :

马尔科夫假设

三、贝叶斯信念网络示例 1

四、贝叶斯信念网络示例 2

1、贝叶斯信念网络的有向无环图表示:

2、贝叶斯信念网络联合概率分布计算

3、计算高血压由家族史引起的概率

五、贝叶斯信念网络训练过程

一、贝叶斯信念网络

1 . 属性关联 : 贝叶斯信念网络允许数据集样本属性之间存在依赖关系 ;

① 属性概率 : 贝叶斯信念网络中 , 每个节点的概率都可以使用贝叶斯公式计算 ;

贝叶斯公式：P(B|A) = P(AB)/P(A)

② 弧的可信度 : 网络中属性之间的弧有可信度属性 , 因此将该网络命名为贝叶斯信念网络 ;

2 . 贝叶斯信念网络表示方法 :

① 有向无环图 : 使用有向无环图表示贝叶斯信念网络 ;

② 随机变量 : 图中的每个节点 , 表示一个随机变量 , 即样本的属性 ;

③ 概率依赖 : 图 ( 有向无环图 ) 中的每条弧表示一个概率依赖 , 即样本的一个属性 , 依赖与另外一个属性 ;

【海量数据挖掘/数据分析】之贝叶斯信念网络（贝叶斯信念网络、有向无环图、贝叶斯公式、贝叶斯信念网络计算实例）,研究生考试,数据挖掘,数据分析,贝叶斯信念网络,有向无环图,贝叶斯公式

④ 属性概率依赖 : Z 属性依赖与 X 属性和 Y 属性 , P 属性依赖于 Y 属性 ; 属性 Z 和属性 P 之间没有依赖关系 ;

特别注意 : 图中一定不能出现环 , 否则就会造成循环依赖 ;

二、概率图模型 :

分为 2 大类 , 一类是有向依赖 , 一类是无向关联 ;

贝叶斯信念网络 : 使用有向无环图表示 ;
马尔科夫网络 : 使用无向图模型表示 ;

马尔科夫假设

模型复杂 : 在贝叶斯信念网络中 , 如果考虑属性依赖 , 属性 Z 依赖于属性 X 和 Y 属性 , 属性 X 依赖于属性 A , 属性 A 依赖于 ⋯ 这样就会导致模型过于复杂 ;

马尔科夫假设 : 为了便于计算 , 每个属性只与其直接依赖的属性有关 , 间接依赖的属性没有直接联系 ;

三、贝叶斯信念网络示例 1

得肺癌的概率依赖于是否有家族史 , 是否吸烟 , 两个属性 ;

使用贝叶斯信念网络的有向无环图表示 :

四、贝叶斯信念网络示例 2

是否有家族病史属性节点的概率表 :

是否有高血脂属性节点的概率表 : 高血脂属性 依赖于家族病史属性 :

是否有高血压属性节点的概率表 : 高血压属性 依赖于高血脂属性和家族病史属性 :

1、贝叶斯信念网络的有向无环图表示:

贝叶斯信念网络中每个节点都有一个概率表 ;

2、贝叶斯信念网络联合概率分布计算

使用贝叶斯公式计算 ,有家族病史 , 高血脂 , 高血压 , 三个属性的联合概率分布 ;

P(有家族史,有高血脂,有高血压)

= P(有家族史)×P(有高血脂∣有家族史)×P(有高血压∣有高血脂,有家族史)

= 0.2×0.4×0.9

= 0.072

P(有家族史) 表示有家族史的概率 ;
P ( 有高血脂 ∣ 有家族史 ) P( 有高血脂 | 有家族史 ) P(有高血脂∣有家族史) 表示有家族史 , 并且有高血脂的概率 ;
P ( 有高血压 ∣ 有高血脂 , 有家族史 ) P ( 有高血压 | 有高血脂 , 有家族史 ) P(有高血压∣有高血脂,有家族史) 表示同时有家族史和高血脂时 , 有高血压的概率 ;

3、计算高血压由家族史引起的概率

① 即计算有家族史时 , 多大概率有高血压 :

P ( 有高血压 ∣ 有家族史 ) = P ( 有高血压 , 有家族史 ) / P ( 有家族史 )

② 概率表中没有 P ( 有高血压 , 有家族史 ) P( 有高血压 , 有家族史 ) P(有高血压,有家族史) 概率 , 需要计算 :

P(有高血压,有家族史)=P(有高血压,有家族史,有高血脂)+P(有高血压,有家族史,无高血脂)

③ 概率表中没有 P ( 有高血压 , 有家族史 , 有高血脂 ) P( 有高血压 , 有家族史 , 有高血脂 ) P(有高血压,有家族史,有高血脂) 概率 , 需要计算

P(有家族史,有高血脂,有高血压)

= P(有家族史)×P(有高血脂|有家族史)×P(有高血压|有高血脂,有家族史)

= 0.2×0.4×0.9

= 0.072

④ 概率表中没有 P ( 有高血压 , 有家族史 , 无高血脂 ) P( 有高血压 , 有家族史 , 无高血脂 ) P(有高血压,有家族史,无高血脂) 概率 , 需要计算 ;

P(有高血压,有家族史,无高血脂)

= P(有家族史)x(无高血脂|有家族史)xP(有高血压|无高血脂,有家族史)

= 0.2×0.6×0.4

= 0.048

⑤ 计算 P ( 有高血压 , 有家族史 ) P( 有高血压 , 有家族史 ) P(有高血压,有家族史) 公式 ② 结果 : 将 ③ 和 ④ 中的计算结果代入到 ② 公式中 :

P(有高血压,有家族史)

= P(有高血压,有家族史,有高血脂)+P(有高血压,有家族史,无高血脂)

= 0.048+0.072

= 0.12

⑥ 计算公式 ① 结果 :

P(有高血压|有家族史)

= P(有高血压,有家族史)/P(有家族史)

= 0.12/0.2

= 0.6

⑦ 结果 : 如果有家族史 , 得高血压的概率是 0.6 ;

五、贝叶斯信念网络训练过程

1 . 贝叶斯信念网络模型使用过程 : 给出训练集 , 通过学习 , 获得贝叶斯信念网络 , 通过贝叶斯信念网络可以推断某个事件发生的概率 ;

2 . 贝叶斯信念网络由结构和参数组成 ;

① 贝叶斯信念网络结构 : 有向无环图 ;

② 贝叶斯信念网络参数 : 描述样本间属性依赖关系 , 即每个属性节点对应的条件概率表 ;

3 . 贝叶斯信念网络机器学习过程 :

① 结构学习 : 确定贝叶斯网络的结构 , 得到有向图 ; 简单的问题可以由人工给出 , 复杂的结构 , 需要计算机给出 ;

② 参数学习 : 最终目的是得到该属性节点的条件概率表 ;

贝叶斯网络 B , 结构 G , 参数 Θ , 贝叶斯信念网络可以表示成 B=<G, Θ> ;
结构 B 是有向无环图 , 每个节点都代表样本的一个属性 ;
如果两个属性由依赖关系 , 使用有向弧连接起来 , 箭头由被依赖属性节点 , 指向需要依赖的属性 ;

参考文章

到了这里，关于【海量数据挖掘/数据分析】之贝叶斯信念网络（贝叶斯信念网络、有向无环图、贝叶斯公式、贝叶斯信念网络计算实例）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

【海量数据挖掘/数据分析】之贝叶斯信念网络（贝叶斯信念网络、有向无环图、贝叶斯公式、贝叶斯信念网络计算实例）