葉斯網路模型最簡單的例子是「分類器」，即在觀測節點輸入多個特徵，就能獲得這些特徵所對應的具體事物。例如：乙個箱子裡裝有籃球，排球和足球，你的朋友每次從箱子裡取出某乙個球。但你看不見所取球的型別，只能通過朋友描述尺寸，外表，顏色等特徵（觀測資料）來辨別（分類），當然你之所以具備辨別（分類）能力是你長期對幾種球類的觀察和認識，並將這些特徵一一儲存在你腦部，這就形成先驗知識以及特徵與具體事物的對應關係（網路模型結構和引數）。如果模型和先驗知識精確，你的朋友僅需要說出尺寸或者顏色你就立刻可以分類，如果模型或先驗知識不精確，那朋友就需要多說出幾個特徵你才能辨別。
通過上面的例子發現，貝葉斯網路需要學習，即通過資料進行訓練，在具有觀測資料時需要推理。這裡就包含了bn的核心研究內容
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...
樸素貝葉斯模型
生成模型 條件概率 p a b p a b p b 全概率 p a in p a bi p bi inp abi 把所 有包含a 的情況都 加起來 貝葉斯公式 p a b p ak b p ab p b ak p ak p b i p b ai p ai p b ak p ak i 1 kp b a...