一、实验名称

主观贝叶斯

二、实验目的

在证据不确定的情况下，根据充分性量度LS、必要性量度LN、E的先验概率P(E)和H的先验概率P(H)作为前提条件，分析P(H/S)和P(E/S)的关系。

三、实验原理及内容阐述

1、证据不确定性的表示

在主观Bayes方法中，证据的不确定性用概率表示。对于证据E，由用户根据观察S给出P(E|S)，即动态强度。用P(E|S)描述证据的不确定性（证据E不是可以直接观测的）。
证据肯定存在时，P(E|S)=1；
证据肯定不存在时， P(E|S)=0；
证据具有不确定性时， 0<P(E|S)<1。

2、LN和LS的意义

当证据E愈是支持H为真时，则应是使相应的LS值愈大。若证据E对H愈是必要，则相应LN的值愈小。。
不能出现LS>1且LN>1的取值
因为： LS>1：表明证据E是对H有利的证据。
LN>1：表明证据¬E是对H有利的证据。
不能出现LS<1且LN<1的取值
因为：LS<1: 表明证据 E是对H不利的证据。
LN<1：表明证据¬E是对H不利的证据。
一般情况下，取LS>1， LN<1。

3、证据不确定的情况

在现实中，证据肯定存在和肯定不存在的极端情况是不多的，更多的是介于二者之间的不确定情况。对初始证据来说，由于用户对客观事物或现象的观察不是很精确，因而所提供的证据是不确定的；另外，一条知识的证据往往来源于另一条知识推出的结论，一般也具有某种程度的不确定性。所以我们要在S对E的观察的先验概率0<P(E/S)<1的情况下确定H的后验概率P(H/S)。

在证据确定的情况下，我们因该用杜达等人1976年证明了的公式来进一步讨论：

分四种情况讨论这个公式：

P(E/S)=1
当P(E/S)=1时，P(-E/S)=0。此时公式变成(肯定存在的情况)：
P(E/S)=0
当P(E/S)=0时，P(-E/S)=1.此时公式变成(肯定不存在的情况)：
P(E/S)=P(E)
当P(E/S)=P(E)时，表示E与S无关。利用全概率公式就将公式变为：
当P(E/S)为其它值时，通过分段线性插值就可得到计算P(H/S)的公式：
该公式称为EH公式或UED公式。

四、实验结果

输入：
PHE =0.8 ;
PH=0.6;
PH_E=0.2;
PE=0.25;
输出为

五、实验总结

通过实验，使我更加熟悉了主观Bayes方法的实质，根据先验概率的条件不同来分析后验概率，利用它们之间的关系，更好的了解不确定性推理方法。

六、附录

clc; clear all;

PHE =0.8 ;
PH=0.6;
PH_E=0.2;
PE=0.25;
x=0:0.001:1;
y=(((PH-PH_E)/PE)x+PH_E).(x>=0&x<PE)+((PHE-PH)/(1-PE)x+(PH-PHEPE)/(1-PE)).*(x>=PE&x<=1);

plot(x,y,‘r’,‘linewidth’,1)
title(‘EH公式的分段线性插值’)
xlabel(‘P(E/S)’)
ylabel(‘P(H/S)’)
axis([0 1 0 1])
grid on

不确定性推理——主观贝叶斯方法matlab实现相关推荐

学习总结——贝叶斯方法
参考: 1. 数学之美番外篇:平凡而又神奇的贝叶斯方法 http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/ 2. 阮一峰总结的这两篇 ...
[zt]数学之美番外篇：平凡而又神奇的贝叶斯方法
数学之美番外篇:平凡而又神奇的贝叶斯方法 Tags: 数学, 机器学习与人工智能, 计算机科学 save it69 saved tags: 贝叶斯 math bayesian algorithm 数学 ...
对频率论（Frequentist）方法和贝叶斯方法（Bayesian Methods）的一个总结
本文是对<IPython Interactive Computing and Visualization Cookbook>一书中第七章[Introduction to statistic ...
NB贝叶斯平凡而又神奇的贝叶斯方法
转自:http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/ 概率论只不过是把常识用数学公式表达了出来. --拉普拉斯目录 0. 前言 ...
平凡而又神奇的贝叶斯方法
来源:http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/ 概率论只不过是把常识用数学公式表达了出来. --拉普拉斯记得读本科的时候 ...
全栈必备贝叶斯方法
数据的重要性毋庸置疑,但是如何让数据产生价值呢? 对一个全栈老码农而言,经常在开发或者研发管理的时候遇到各种预测.决策.推断.分类.检测.排序等诸多问题.面对"你的代码还有bug么?&quo ...
【3】机器学习之华山论剑：贝叶斯方法
贝叶斯方法=斯奥卡姆剃刀*极大似然估计同类问题:机器翻译,语音识别,语义识别 Siri=机器学习+云计算(即巨大的语料库用来统计先验概率) 从朴素贝叶斯方法到隐含马尔科夫模型再到贝叶斯网络(有向无环 ...
为机器学习爱好者推荐一本书《贝叶斯方法：概率编程与贝叶斯推断》
本书的内容特色: 学习贝叶斯思维方式 ·理解计算机如何进行贝叶斯推断 ·利用PyMC Python库进行编程来实现贝叶斯分析 ·利用PyMC建模以及调试 ·测试模型的拟合优度 ·打开马尔科夫链蒙特卡洛 ...
《贝叶斯方法：概率编程与贝叶斯推断》一导读
前言贝叶斯方法:概率编程与贝叶斯推断贝叶斯方法是一种常用的推断方法,然而对读者来说它通常隐藏在乏味的数学分析章节背后.关于贝叶斯推断的书通常包含两到三章关于概率论的内容,然后才会阐述什么是贝叶斯 ...
朴素贝叶斯方法（Naive Bayes）原理和实现
模型概述朴素贝叶斯方法,是指朴素:特征条件独立贝叶斯:基于贝叶斯定理根据贝叶斯定理,对一个分类问题,给定样本特征x,样本属于类别y的概率是 p(y|x)=p(x|y)p(y)p(x)..... ...

不确定性推理——主观贝叶斯方法matlab实现

主观贝叶斯方法matlab实现

一、实验名称

二、实验目的

三、实验原理及内容阐述

1、证据不确定性的表示

2、LN和LS的意义

3、证据不确定的情况

四、实验结果

五、实验总结

六、附录

不确定性推理——主观贝叶斯方法matlab实现相关推荐

最新文章

热门文章

不确定性推理——主观贝叶斯方法matlab实现

主观贝叶斯方法matlab实现

一、实验名称

二、实验目的

三、实验原理及内容阐述

1、 证据不确定性的表示

2、LN和LS的意义

3、证据不确定的情况

四、实验结果

五、实验总结

六、附录

不确定性推理——主观贝叶斯方法matlab实现相关推荐

最新文章

热门文章

1、证据不确定性的表示