R 编程中的图形模型
从本教程中，您将详细了解 R 编程中的图形模型。在此，我们将讨论图形模型的概念、其实际应用和类型，以及无向图和有向图的分解以及图中的分离。
什么是 R 图形模型？
它指的是表示一组变量之间关系的图。通过一组顶点和边，我们设计这些模型来连接这些节点。通过以下等式声明图形：
G = (V, E)
Where:
V: a finite set of nodes or vertices
E: a finite set of edges or links or arcs
图形模型的类型
R中两种主要的图形模型如下
有向（贝叶斯）网络
在这方面，有向网络基于或依赖于有向图。因此，它们被称为 Directed R 图形模型。有向图或有向图表示为
D = (V, A)
Where,
V: V set whose elements are called nodes or vertices
A: It is a set of ordered pair of vertices called arcs or arrows or directed edges
有向图的术语：这些是属于有向图的少数术语
- 家长和孩子注意
- D-连接节点
- 连接的节点
- 聚树
- 树
无向图形模型
在马尔可夫网络的这种情况下，它们基本上依赖于无向图。因此，它们被称为无向图模型，也被称为马尔可夫随机场。边不具有任何形式的方向或形状的图称为无向图。如果遵循此条件，则图是间接图
∀A, B ∈ V: (A, B) ∈ E ⇒ (B, A) ∈ E。
无向图的术语：这些是属于无向图的少数术语
- 相邻节点
- 邻居集
- 节点度
- 节点关闭
- 树
- 子图
- 完整图
- 集团
图中的条件独立
在这种情况下，为了描述研究中的域，每个节点或顶点代表一个属性，每条边代表两个属性之间的直接依赖关系。为了绘制包含不同变量与其标准参数形式之间的条件独立性的关系，使用了图形模型。原则上，每个部分都相互依赖，并且知道脚可以放在哪里，头在哪里放置约束。如果你想知道躯干位置会影响左脚的位置，你知道左腿的位置。图中的条件独立性表明它不会影响。
图中的分解或因式分解
在图中找到分布条件独立性的分解是唯一可行的方法。找出最小条件独立图与找出最佳分解相同。我们现在将研究以下内容：
- 分解或分解wrt有向图。
- 无向图的分解或因式分解。
分解和有向图
有向图是属性在集合 U 上的概率分布，也可以称为有向无环图的可因式分解，其表示形式为 G = (U, E)，可以写为条件的乘积G 中给定属性的概率。下图表示有向图的四项因式分解或分解。
分解和无向图
无向图是属性在集合 U 上的概率分布，对于无向图 G = (U, E)，它也可以称为可因式分解，它可以写成最大集团和 G 的非负函数的乘积。 M 是一个属性族，使得 G 的集合 M 中的子图属于它的最大集团。从下图中，我们可以说它代表了一个无向图的四项分解。 4 个项代表四个集合的 4 个最大派系
{A1, A2, A3}, {A3, A5, A6}, {A2, A4} 和 {A4, A6}
图中的条件独立和分离
在图中分离的关联条件独立性。图中的分离基本上取决于图是有向的还是无向的。
- 有向图：
- G = (V, E) X、Y 和 Z 是三个不相交的节点子集。
- 如果 X 和 Y 之间存在畅通无阻的路径，则它们是 d 连通的。
- 无向图：
- G = (V, E) 其中，X、Y 和 Z 是三个不相交的节点子集。
- 如果从 X 中的一个节点到 Y 中的一个节点的所有路径都包含 Z 中的一个节点，那么它将 G 中的 X 和 Y 分开，写成
G。