6.4简草贝叶斯学习模型 设样本A表示成属性向量,如果属性对于给定的 类别独立,那么P(AC)可以分解成几个分量的 积 P(a,) P(a2Ci)*,P(amICi) a;是样本A的第个属性 20218/25 忠植高级人工智能
2021/8/25 史忠植 高级人工智能 26 设样本A表示成属性向量，如果属性对于给定的 类别独立，那么P(A|Ci)可以分解成几个分量的 积： ( | )* ( | )* ( | ) P a1 Ci P a2 Ci P am Ci ai是样本A的第i个属性 6.4 简单贝叶斯学习模型
6.4简草贝叶斯学习模型 641简单贝叶斯学习模型的介绍 简rC|4)=PC) 贝 叶P() 斯 P(,ci) 分 类这个过程称之为简单贝叶斯分类(SBC: Simple bayesian 模 Classifier)。-般认为,只有在独立性假定成立的时候, 型SBC才能获得精度最优的分类效率;或者在属性相关性较小 的情况下,能获得近似最优的分类效果。 20218/25 忠植高级人工智能
2021/8/25 史忠植 高级人工智能 27 简 单 贝 叶 斯 分 类 模 型 ( | ) ( ) ( ) ( | ) =1 = m j j i i i P a C P A P C P C A P(Ci) P(aj |Ci) 这个过程称之为简单贝叶斯分类 (SBC: Simple Bayesian Classifier)。一般认为，只有在独立性假定成立的时候， SBC才能获得精度最优的分类效率；或者在属性相关性较小 的情况下，能获得近似最优的分类效果。 6.4 简单贝叶斯学习模型 6.4.1 简单贝叶斯学习模型的介绍
6.4简单贝叶斯学习模型 642简单贝叶斯模型的提升 提升方法( Boosting)总的思想是学习 系列分类器,在这个序列中每一个分类器对它 前一个分类器导致的错误分类例子给与更大的 重视。尤其是在学习完分类器从之后,增加了 由H导致分类错误的训练例子的权值,并且通 过重新对训练例子计算权值,再学习下一个分 类器H+这个过程重复7次。最终的分类器从 这一系列的分类器中综合得出。 2021/8/25 忠植高级人工智能
2021/8/25 史忠植 高级人工智能 28 6.4.2 简单贝叶斯模型的提升 提升方法（Boosting）总的思想是学习一 系列分类器，在这个序列中每一个分类器对它 前一个分类器导致的错误分类例子给与更大的 重视。尤其是在学习完分类器Hk之后，增加了 由Hk导致分类错误的训练例子的权值，并且通 过重新对训练例子计算权值，再学习下一个分 类器Hk+1。这个过程重复T次。最终的分类器从 这一系列的分类器中综合得出。 6.4 简单贝叶斯学习模型
6.5贝叶斯网络的建造 651贝叶斯网络的建构及建立方法 贝叶斯网络是表示变量间概率依赖 关系的有向无环图,这里每个节点表示 领域变量,每条边表示变量间的概率依 赖关系,同时对每个节点都对应着一个 条件概率分布表(CPT),指明了该变量 与父节点之间概率依赖的数量关系。 2021/8/25 忠植高级人工智能
2021/8/25 史忠植 高级人工智能 29 6.5 贝叶斯网络的建造 6.5.1 贝叶斯网络的建构及建立方法 贝叶斯网络是表示变量间概率依赖 关系的有向无环图，这里每个节点表示 领域变量，每条边表示变量间的概率依 赖关系，同时对每个节点都对应着一个 条件概率分布表(CPT) ，指明了该变量 与父节点之间概率依赖的数量关系
贝叶斯网的表示方法 贝叶斯网络是表示变量间概率依赖关系的有向无环图 (A) Visit to asia S) Smoking (T|A) P(LIS P(BISI Tuberculosis Lung Cancer Bronchitis CPT T⊥B|D=0D 0000.10.9 P(CIT,L P(D|TLB)0010703 0100.80.2 Chest X-ray Dyspnoea 0110.90.1 P(A, S,t,L, B,C D) P(AP PTAP(LS P(BS P(CTDPOTL, B 2c12s条件独立性假设史植 有效的表示
2021/8/25 史忠植 高级人工智能 30 贝叶斯网的表示方法 = P(A) P(S) P(T|A) P(L|S) P(B|S) P(C|T,L) P(D|T,L,B) P(A, S, T, L, B, C, D) 条件独立性假设 有效的表示 CPT: T L B D=0 D=1 0 0 0 0.1 0.9 0 0 1 0.7 0.3 0 1 0 0.8 0.2 0 1 1 0.9 0.1 ... Lung Cancer Smoking Chest X-ray Bronchitis Dyspnoea Tuberculosis Visit to Asia P(D|T,L,B) P(B|S) P(S) P(C|T,L) P(L|S) P(A) P(T|A) 贝叶斯网络是表示变量间概率依赖关系的有向无环图