贝叶斯信念网络的基本理解
贝叶斯信念网络是特定集合中随机变量之间不同概率关系的图形表示。它是一个不依赖于属性的分类器,即它与条件无关。由于其联合概率的特点,贝叶斯信念网络中的概率是基于一个条件——P( attribute/parent),即属性的概率,在父属性上为真而推导出来的。
(注意:分类器将集合中的数据分配给所需的类别。)
- 考虑这个例子:
- 在上图中,我们有一个警报“A”——一个节点,比如安装在一个人“gfg”的房子里,它根据两个概率响铃,即盗窃“B”和火灾“F”,它们是——的父节点报警节点。警报是两个概率 P1 调用“P1”和 P2 调用“P2”人员节点的父节点。
- 在入室盗窃和火灾的情况下,“P1”和“P2”分别呼叫人“gfg”。但是,在这种情况下几乎没有缺点,因为有时“P1”可能会忘记叫人“gfg”,即使在听到警报后,因为他有忘记事情的倾向,很快。类似地,“P2”有时无法称呼此人为“gfg”,因为他只能在一定距离内听到警报。
Q )求'P1'为真的概率(P1已经打电话给'gfg'),'P2'是真的(P2已经打电话给'gfg')当警报'A'响起,但没有入室盗窃'B'和火灾' F' 发生了。
=> P ( P1, P2, A, ~B, ~F) [其中- P1, P2 & A 是'真'事件,'~B' & '~F'是'假'事件]
[注:下面提到的值既不是计算出来的,也不是计算出来的。他们有观察值]
入室盗窃“B”——
- P (B=T) = 0.001 ('B' 为真,即发生了入室盗窃)
- P (B=F) = 0.999 ('B' 为假,即未发生入室盗窃)
火'F' -
- P (F=T) = 0.002 ('F' 为真,即发生火灾)
- P (F=F) = 0.998 ('F' 为假,即未发生火灾)
警报“A” –B F P (A=T) P (A=F) T T 0.95 0.05 T F 0.94 0.06 F T 0.29 0.71 F F 0.001 0.999
- 警报“A”节点可以是“真”或“假”(即可能已响铃或可能未响铃)。它有两个父节点盗窃“B”和火“F”,它们可以是“真”或“假”(即可能已经发生或可能没有发生),具体取决于不同的条件。
人“P1”——A P (P1=T) P (P1=F) T 0.95 0.05 F 0.05 0.95
- 人“P1”节点可以是“真”或“假”(即可能称该人为“gfg”或不“gfg”)。它有一个父节点,即警报“A”,它可以是“真”或“假”(即,在盗窃“B”或火灾“F”时可能已响铃或未响铃)。
人“P2”——A P (P2=T) P (P2=F) T 0.80 0.20 F 0.01 0.99
- 人“P2”节点可以是“真”或“假”(即可能称人为“gfg”或不)。它有一个父节点,即警报“A”,它可以是“真”或“假”(即,在盗窃“B”或火灾“F”时可能已经响铃或可能没有响铃)。
解决方案:考虑观察到的概率扫描 -
关于问题 - P ( P1, P2, A, ~B, ~F) ,我们需要得到'P1'的概率。我们根据其父节点找到它 - 警报“A”。为了获得“P2”的概率,我们根据其父节点——警报“A”找到它。
我们找到关于“~B”和“~F”的警报“A”节点的概率,因为盗窃“B”和火灾“F”是警报“A”的父节点。
从观察到的概率扫描,我们可以推断出——
P ( P1, P2, A, ~B, ~F)
= P (P1/A) * P (P2/A) * P (A/~B~F) * P (~B) * P (~F)
= 0.95 * 0.80 * 0.001 * 0.999 * 0.998
= 0.00075