7.3贝叶斯网络参数学习_第1页
7.3贝叶斯网络参数学习_第2页
7.3贝叶斯网络参数学习_第3页
7.3贝叶斯网络参数学习_第4页
7.3贝叶斯网络参数学习_第5页
已阅读5页，还剩21页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

贝叶斯网络参数学习主讲人：李侃贝叶斯网络参数学习（参数估计）：在给定网络结构的基础上，从训练数据中学习得到结点的条件概率分布表的过程。贝叶斯网络参数学习贝叶斯网络主要是处理离散数据，因此在参数学习过程中，通常假设网络中变量的状态是离散的或是呈现高斯分布。在实际应用中，结点变量一般是不满足高斯分布的，通常可以采用等频率或者等区间的离散型方法对训练数据进行离散化。训练数据中所有变量状态都可观测贝叶斯方法(Bayesianestimation，BE)最大似然估计方法(maximumlikelihoodestimation，MLE)某些结点变量的状态未必能观测最大期望(expectationmaximization，EM)贝叶斯网络参数学习最大似然估计方法(maximumlikelihoodestimate,MLE)实例数据完备情况下的学习方法。它依据参数与数据集的似然程度来选择参数。贝叶斯网络参数学习最大似然估计方法

贝叶斯网络—贝叶斯网络参数学习最大似然估计方法

贝叶斯网络—贝叶斯网络参数学习

最大似然估计方法概率是频率的一种逼近，属于传统统计方法。贝叶斯方法基于贝叶斯公式，认为代表不确定性的概率参数是由先验知识和观察到数据集共同决定的。贝叶斯网络参数学习

贝叶斯方法

贝叶斯网络参数学习贝叶斯方法

贝叶斯网络参数学习贝叶斯方法

贝叶斯网络参数学习常见的共轭分布二项分布多项分布正态分布Gamma分布Poisson分布Dirichlet分布（最常用）Dirichlet分布

贝叶斯网络参数学习—贝叶斯方法Dirichlet分布

贝叶斯网络—贝叶斯网络参数学习Dirichlet分布

贝叶斯网络—贝叶斯网络参数学习

数据不完整时贝叶斯网络的参数学习在数据不完备时，似然函数的计算将变得很复杂．精确计算极大值几乎不可能，只能近似求出似然函数的极大值，并将该点的概率分布作为估计值。贝叶斯网络参数学习近似方法Monte-Carlo方法高斯逼近Laplace近似EM算法求ML（极大似然）MAP（极大后验）Monte-Carlo方法Geman等提出的Gibbs采样方法是众多Monte-Carlo方法中常用的一种。基本思想是以Gibbs采样估计变量集上联合概率分布的数学期望。Monte-Carlo方法样本越大，运行时间越长，结果越精确，但计算复杂度是事例数的指数幕次。数据不完整时贝叶斯网络的参数学习Monte-Carlo方法

数据不完整时贝叶斯网络的参数学习

Monte-Carlo方法

数据不完整时贝叶斯网络的参数学习高斯逼近

数据不完整时贝叶斯网络的参数学习高斯逼近数据不完整时贝叶斯网络的参数学习

高斯逼近数据不完整时贝叶斯网络的参数学习

Laplace近似

数据不完整时贝叶斯网络的参数学习

Laplace近似

数据不完整时贝叶斯网络的参数学习贝叶斯信息标准（bayesianinformationcriterion,BIC）EM算法最常用的从不完整数据条件下统计概率分布的方法。数据不完整

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论