主观贝叶斯方法ppt课件

主观贝叶斯方法，1、概述，主观贝叶斯方法又称主观概率论，是一种基于概率逻辑处理不确定推理的方法。概率论中的贝叶斯公式首先应用于探矿者，2，5.3.1基本贝叶斯公式-概率论基础，条件概率：假设a和b是两个随机事件，然后在b事件已经发生的情况下发送事件的概率。乘法定理：3，5.3.1基本贝叶斯公式，全概率公式：假设事件满足：(1)两个互不相容，即(2)此时，对于样本空间中的任何事件b，以下公式成立：它被称为全概率公式。4，5.3.1基本贝叶斯公式，贝叶斯公式：假设事件满足下列公式：两者互不相容，即在当时，(对于样本空间中的任何事件B，下列公式成立：它称为贝叶斯公式。5，5.3.1基本贝叶斯公式。将全概率公式引入贝叶斯公式后，得到以下基本贝叶斯公式：6，5.3.1。还有生产规则。将贝叶斯公式中的B替换为生产公式中的前提E，将公式中的Ai替换为Hi。该公式可得：它用于获得条件E下Hi的先验概率，7，5.3.1基本贝叶斯公式，在某些情况下，有多个证据E1，E2，en和多个结论h1，H2，HN，每一个证据都在一定程度上支持了这个结论。这是上述公式的一个推广，以获得：8，5.3.1基本贝叶斯公式。此时，只要Hi的先验概率P(Hi)和证据E1、E2，根据条件概率p (E1 | Hi)，p (E2 | hi)，事件发生的概率，条件概率.在E1的情况下，E2，可以获得Em出现。9、5.3.2主观贝叶斯方法。主观贝叶斯方法的基本思想是，由于证据E的出现，p (h)成为P(H|E)主观贝叶斯方法。就是研究利用证据E，将先验概率P(H)更新为后验概率P(H|E)的主观贝叶斯方法，引入两个数值(最小二乘，最小二乘)来衡量规则的充分性和必要性。其中，充分性测度、必要性测度、10、5.3.3知识不确定性表示、1。知识表示方法为了进行不确定性推理，所有的知识规则被连接成一个有向图，图中的每个节点代表一个假设的结论，弧代表规则。在主观贝叶斯方法中，知识的不确定性用一个数字对来描述。其具体的产生式规则形式表示如下：IFETHEN(LS，LN)H(P(H)，11，5.3.3知识不确定性表示，其中，(LS，LN)是一组为测量产生式规则的不确定性而引入的数值，用于表示知识的强度，LS和LZ表示如下。(1)充分性测度(LS)的定义，表示E对H的支持度，取值范围为0，)。12，5.3.3知识不确定性的表示，(2)必要性测度的定义它表示E对H的支持程度，即E对H为真的必要性程度，取值范围为0，)。13、5.3.3知识不确定性的表达，结合贝叶斯公式，p(；h | e)=p(e |h)p(；将上述公式分为：14，5.3.3知识不确定性的表达，得到概率贝叶斯公式。为了便于讨论，概率函数的引入可以转化为15，5.3.3的知识不确定性表达式，称为贝叶斯公式的概率似然形式。最小二乘被称为充分可能性。如果是LS- ，则证据e在逻辑上足以推导出h。同样，我们可以得到LN: O(H|E)=LNO(H公式，这被称为Bayes公式的必要似然形式。LN被称为必要可能性。如果LN=0，就有O(H|E)=0.这表明当E为真时，h一定为假，即E对h来说是不可避免的，16，5.3.3知识不确定性的表达，2。最小二乘和最小二乘性质(1)最小二乘性质表明证据E的存在，它影响结论H为真的概率：O(H|E)=LSO(H)当LS1，P(H|E)P(H)，即E支持H时，E导致H为真的概率增加；当LS- 表明证据e将导致h为真时；当LS=1时，表示e对h没有影响，与h无关；当LS1，P(H|E)P(H)，即E支持H，并且E增加了H为真的概率；当LN- ，它表示证据E将导致h为真；当LN=1时，它全部证据是所有的证据，即所有可能的证据和假设，它们构成证据E。证据S的一部分是证据E的一部分，这也可以称为观察。在主观贝叶斯方法中，证据的不确定性用概率表示。完全证据的可行性取决于一些证据，表示为P(E|S)，这是一种后验概率。20，5.3.4证据不确定性的表达，2。当证据E由多个单一证据组成时，即如果P (E1 | S)，P (E2 | S)，P (EN | S)已知，则P (E | S)=最小P (E1 | S)，P (E2 | S)，P (EN | S)如果证据E由多个提取的证据组成，即p (e | s)=最大p (E1 | s)，p (E2 | s)，p (en | s)对于非操作，P(E|S)=1-P(E|S)，21，5.3.5不确定性推理计算，1。确定性证据(1)当证据E一定会出现时，当证据E一定会出现时，将结论H的先验概率P(H)更新为后验概率P(H|S)的计算公式如下：(2)在证据E一定不会出现的情况下，将结论H的先验概率P(H)更新为后验概率P(H|E)的计算公式如下：(22，5.3.5不确定性推理计算， (2)不确定性证据在现实中往往是不确定的，