BOOK NOW!
[contact-form-7 404 "Not Found"]

bayesian network 예제

02 Aug bayesian network 예제

그들은 또한 일반적으로 베이즈 그물이라고, 믿음 네트워크 때로는 인과 네트워크. 가장 일반적인 정확한 추론 방법은 제품 위에 합계를 분배하여 관찰되지 않는 비쿼리 변수를 하나씩 제거하는 변수 제거입니다. 한 번에 많은 변수를 쿼리할 수 있고 새 증거를 신속하게 전파할 수 있도록 계산을 캐시하는 clique 트리 전파; 충분한 공간을 사용할 때 공간 – 시간 절충을 허용하고 변수 제거의 효율성을 일치 하는 재귀 컨디셔닝 및 AND/OR 검색. 이러한 모든 메서드에는 네트워크 트리 너비에 지수가 있는 복잡성이 있습니다. 가장 일반적인 대략적인 추론 알고리즘은 중요 샘플링, 확률 MCMC 시뮬레이션, 미니 버킷 제거, 고리 모양의 믿음 전파, 일반화된 믿음 전파 및 변형 방법입니다. 광고 바람이 부는 변수에 대한 공동 확률 분포가 아래에 표시됩니다. 예를 들어 비가 내리고 비가 오지 않을 확률은 0.16(또는 16%)입니다. 근사 한 추론에 의존하기 전에 베이지안 네트워크를 리팩터링하거나 하이브리드 접근 방식을 사용하는 것이 종종 가능하다. “베이지안 네트워크는 V의 모든 정점 v가 임의 변수 Xv와 연관되어 있는 지향되는 비순환 그래프 G = 이며, E의 모든 가장자리(u, v)는 임의 변수 Xu에서 임의 변수 Xv에 대한 직접적인 의존성을 나타냅니다. 하자 Deps (v) = {u | E}의 (u, v)는 V에서 노드 v의 직접적인 의존성을 나타냅니다. 베이지안 네트워크에서 그래프의 V의 각 노드 v는 조건부 확률 분포 CPD(v)와 연관되어 있으며, 이는 직접 종속성 D(v)와 연관된 임의 변수의 값에 대해 컨디셔닝된 Xv의 확률 분포를 나타냅니다.” (고든 외, 2014). 두 번째, 더 흥미로운 추론 작업은 P(x|e)를 찾거나 다른 변수(증거, e)의 할당을 받은 변수(x)의 하위 집합에 대한 일부 할당 확률을 찾는 것입니다. 위의 예에서, 이것의 예는 P를 찾는 것 일 수있다 (스프링클러, 습식 잔디 | 흐린), {스프링클러, WetGrass}가 x이고 {흐린}이 e입니다.

이를 계산하기 위해 P(x| e) = P(x, e) / p(e) = αP(x, e)가 있는 경우, α는 P(x|e) + P(x | | )=1과 같은 끝에서 계산할 정규화 상수입니다. P(x, e)를 계산하려면 x 또는 e에 나타나지 않는 변수에 대한 조인트 확률 분포를 소외시켜야 합니다.

No Comments

Sorry, the comment form is closed at this time.