【机器学习】11、贝叶斯网络

文章目录

一、贝叶斯网络是什么
二、朴素贝叶斯
三、贝叶斯网络的建立

一、贝叶斯网络是什么

贝叶斯网络的思考：

原本的问题：

给定一组样本D，求得在这些样本中出现某个结论 A 1 , A 2 , . . . , A n A_1,A_2,...,A_n A1,A2,...,An出现的概率，也就是 P ( A i ∣ D ) P(A_i|D) P(Ai∣D)，表示求得给定数据后，哪个结论出现的概率最大。

问题转化： m a x P ( A i ∣ D ) = m a x P ( D ∣ A i ) P ( A i ) P ( D ) = m a x P ( D ∣ A i ) P ( A i ) ⟹ m a x P ( D ∣ A i ) maxP(A_i|D)= max\frac{P(D|A_i)P(A_i)}{P(D)}=maxP(D|A_i)P(A_i)\implies maxP(D|A_i) maxP(Ai∣D)=maxP(D)P(D∣Ai)P(Ai)=maxP(D∣Ai)P(Ai)⟹maxP(D∣Ai)

将问题转化为，计算出在给定不同结论的条件下，事件D发生的概率，取最大的概率值，也就是在该结论A下，事件D发生的概率最大，所以可以看成是事件D产生结论A的概率最大。

P ( D ) P(D) P(D)：是定值，因为该概率是已经发生的事件D的概率，是已知的东西，不会变化
P ( A i ) P(A_i) P(Ai)：各个结论发生的先验概率是相等的。

m a x P ( D ∣ A i ) maxP(D|A_i) maxP(D∣Ai)：可以看成是先验性的假定结论A出现的概率都是相等的，而贝叶斯则要更多的探讨先验概率。

**频率学派：**假定P(A_i)是相等的，事件与先验无关。

示例1：

示例2：

二、朴素贝叶斯

拉普拉斯平滑：

如果一个词出现的概率为0，则无意义，做拉普拉斯平滑。

三、贝叶斯网络的建立

为什么要建立贝叶斯网络：

对于一个联合概率分布，我们需要跟多个独立变量来表示，甚至独立变量的个数会呈现指数级的增长。例如，考虑P(X 1 ,X 2 ,X 3 ,⋯,X n ) ，假如，每一个X i 都是二项分布的话。这样联合概率里面就有至少2 n −1 个参数（对应的是X 1 ,⋯,Xn 的全排列数目减一，减掉1是因为最后一种情况可以用1减掉之前的所有概率）。

因此我们希望通过建立联合概率与图的关联，从图中找到条件独立性论断（并且我们可以证明，图中的条件独立性论断在联合概率中都是成立的），这样就可以将原始的联合概率写成多个独立因子的乘积，从而减少独立变量的个数，使得模型更加“紧凑”。

将三个变量变为k个：

正常的贝叶斯网络：

要求的该贝叶斯网络的条件概率分布，也就是要求出1~7个节点各自所属的条件分布连乘即可。

对4而言，只和1，2，3有关

正常而言有 2 5 2^5 25种不同的情况，但贝叶斯网络有13种情况，因为我们简化的网络的连接情况，也就是有的点没有直接相连，简化了很多参数，越利于网络建模。

抽烟：只需要一个抽烟的概率，参数为1

肺癌：只和抽烟有关，抽烟情况下有一个得肺癌的概率，不抽烟情况有一个肺癌的概率，参数为2

支气管炎：只和抽烟有关，抽烟情况下有一个得肺癌的概率，不抽烟情况有一个肺癌的概率，参数为2

X-ray：和抽烟及肺癌都有关，所以是(0,0),(0,1),(1,0),(1,1)四种情况，参数为4
呼吸困：和支气管炎及肺癌都有关，所以是(0,0),(0,1),(1,0),(1,1)四种情况，参数为4（图中看起来是8个，其实每行的和都为1，所以实质上给定一个另一个也不变）

特殊的贝叶斯网络：

三个独立性条件：

1. 观测到的时候是阻断的

2. 观测到的时候是阻断的

C未给定时，无法判断a、b是否独立，看不到c

3. 未观测到的时候是阻断的

如果c给定了，a、b就不独立了，因为如果观测到了c，就说明两者之间建立了某种联系。

贝叶斯网络，可以通过三种基本的网络拓扑，可以判断a和b是否是独立的。

I是独立，D是不独立

在没有先验的情况下，油箱有油和能开广播是独立的吗？

答：是独立的

如果已知电池有电，则油箱有油和能开广播是独立的吗？

答：是独立的，因为在Battery确定了之后，左边的开广播和右边的四个节点是tial-to-tail的关系，所以是独立的。

贝叶斯网络的构建：