建立貝葉斯網路

博文內容源自

定義貝葉斯網路，必須知道圖形結構和相應引數。

考慮下圖的圖形結構：

指定上圖的有向無環圖，我們建立乙個屬性矩陣。

clc 

clear 
%建立貝葉斯網路結構
%四個節點號如下：cloudy = 1, sprinkler = 2, rain = 3, wetgrass =
%4.節點號必須按照拓撲順序編號，即父節點在前子節點在後。
n=4;
dag=zeros(n,n);
c=1;s=2;r=3;w=4;
%若節點存在則為真1，否則為假0
dag(c,[s r])=1;
dag(s,w)=1;
dag(r,w)=1;
%指明有向無環圖，必須確定每個節點的尺寸和型別。如果節點是離散點，它的大小可能是節點所能承載狀態的個數。因此我們假設所有節點是離散點和二項的
discrete_nodes=1:n;
%每個節點只有兩個狀態
node_sizes=2*ones(1,n);
%如果節點不是二項的，可以表述如下：
%node_sizes = [4 2 3 5];意味著cloudy肯能有四個取值，sprinkler有兩個取值...
bnet=mk_bnet(dag,node_sizes,'names',,'discrete',discrete_nodes);
%引數用cpd表示，（cpd，conditional probability distribution 條件概率）。
bnet.cpd = tabular_cpd(bnet,c,[0.5
0.5]);
bnet.cpd = tabular_cpd(bnet,r,[0.8
0.20.2
0.8]);
bnet.cpd = tabular_cpd(bnet,s,[0.5
0.90.5
0.1]);
bnet.cpd = tabular_cpd(bnet,w,[1
0.10.1
0.01
00.9
0.90.99]);
% figure
draw_graph(dag);

貝葉斯網路

1.貝葉斯網路的定義 貝葉斯網路 bayesian network 又稱信念網路 belief network 或有向無環圖模型 directed acyclic graphical model 是一種概率圖模型，於1985年由judea pearl首先提出。它是一種模擬人類推理過程中因果關係的不確...

貝葉斯網路

一 貝葉斯網路，由乙個有向無環圖 dag 和條件概率表 cpt 組成。貝葉斯網路通過乙個有向無環圖來表示一組隨機變數跟它們的條件依賴關係。它通過條件概率分布來引數化。每乙個結點都通過p node pa node 來引數化，pa node 表示網路中的父節點。乙個簡單的貝葉斯網路，其對應的全概率公式為...

PRML 貝葉斯網路

把貝葉斯網路當做圖來描述的 巨集觀一下，google顯示此圖 用圖表示概率分布，和馬爾科夫鏈甚是有淵源，聯想到有人用neo4j圖資料庫的er 決n gram問題，肯定都是乙個套路給出p a,b c 的聯合分布形式 p a,b,c p c a b p a,b 繼續 p a b,c p c a,b p ...