贝叶斯网是关于属性的，有向线表示“依赖”性的父子关系；通过属性的条件概率表CPT来描述。
有向图转化为无向图：让两亲联姻（连接两结点），称为道德化。
网络结构也是“超参数”，如何选择该“超参数”？
贝叶斯图络学习：两级搜索法
贝叶斯网（也称信念网）记为 B = < G , Θ > B=<G,Theta > B=<G,Θ>
假定每个属性与其非后裔属性独立，
由此定义属性的联合分布为
P B ( x 1 , x 2 , ⋯ , x d ) = ∏ i = 1 d P B ( x i ∣ π i ) = ∏ i = 1 d θ x i ∣ π i begin{align} P_B(x_1, x_2,cdots,x_d) & =mathop{prod }limits_{i=1}^dP_B(x_i,|,{pi}_i ) tag{7.40} \ & =mathop{prod }limits_{i=1}^d {theta}_{x_i,|,{pi}_i } tag{7.41} end{align} PB(x1,x2,⋯,xd)=i=1∏dPB(xi∣πi)=i=1∏dθxi∣πi(7.40)(7.41)
其中， θ x i ∣ π i {theta}_{x_i,|,{pi}_i } θxi∣πi需要查表，而表有时不是直接给出的，要通过对数据集 D D D中的样本情况进行分门别类地“计数”统计，计算频率来估计的。
【西瓜书图7.3】描述了贝叶斯网中三种依赖关系，并讨论了独立性。
给定一个结点的值，相当于把这个结点染上了黑色（即不能再变化），以此技巧来思考“给定结点值”的情况，则易于理解，如下以生物学的例子来增强记忆。
如图7.1所示， V V V型结构是双性繁殖（ V V V型结构的记忆口诀：自由恋爱好独立，奉子成婚难独立）tacg{ch7:marr}，当 x 1 , x 2 x_1,x_2 x1,x2的孩子 x 3 x_3 x3的肤色性状已经确定（如，黑白混血小孩），那么，当 x 1 x_1 x1为白人时， x 2 x_2 x2应为黑人，反之亦然。 故孩子 x 3 x_3 x3的性状给定时，双亲 x 1 x_1 x1与 x 2 x_2 x2的性状不独立。
V V V型结构中， x 1 x_1 x1与 x 2 x_2 x2可以“自由恋爱”（即独立）生出孩子 x 3 x_3 x3。 即在不给定“共子” x 3 x_3 x3的值时，其父母 x 1 , x 2 x_1,x_2 x1,x2是独立的，
理论上由【西瓜书式(7.27)】所验证，称为边际独立，记为 x 1 ⊥ ⊥ x 2 x_1 perp !!! perp x_2 x1⊥⊥x2。
注：求和符号起边际化的作用，就像在二维表中，对行（或列）求和（即通常的小计），写到最右“边”（边上加一列）（或最下“边”（加一行））中。
如图7.2左侧所示，在同父结构中，若父 x 1 x_1 x1已知（父 x 1 x_1 x1被染黑色）时，单性繁殖了两兄弟 x 2 x_2 x2与 x 3 x_3 x3，影响两兄弟特质变化的外因 x 1 x_1 x1已定，即已体现在两兄弟身上了，不再变化，而再变化的是各自的内因，内因引起的变化当然是独立的。 即变化是条件独立（记忆口诀：单性繁殖两兄弟，内因变化是独立，条件是外因已一致），记为 x 2 ⊥ x 3 ∣ x 1 x_2, bot , x_3, |, x_1 x2⊥x3∣x1。
如图7.2右侧所示，在同父结构中，若父 x 1 x_1 x1未知（父 x 1 x_1 x1未被染色）时，则
P ( x 2 , x 3 ) = ∑ x 1 P ( x 1 , x 2 , x 3 ) = ∑ x 1 P ( x 1 ) P ( x 2 ∣ x 1 ) P ( x 3 ∣ x 1 , x 2 ) ≠ ∑ x 1 P ( x 1 ) P ( x 2 ∣ x 1 ) P ( x 3 ) = P ( x 3 ) ∑ x 1 P ( x 1 ) P ( x 2 ∣ x 1 ) = P ( x 3 ) ∑ x 1 P ( x 1 , x 2 ) = P ( x 3 ) P ( x 2 ) begin{align} P(x_2,x_3) & =sum_{x_1}P(x_1,x_2,x_3)notag \ & =sum_{x_1}P(x_1)P(x_2,|,x_1)P(x_3,|, x_1,x_2)notag \ & neq sum_{x_1}P(x_1)P(x_2,|,x_1)P(x_3)notag \ & = P(x_3)sum_{x_1}P(x_1)P(x_2,|,x_1)notag \ & =P(x_3)sum_{x_1}P(x_1,x_2)notag \ & =P(x_3)P(x_2) tag{7.42} end{align} P(x2,x3)=x1∑P(x1,x2,x3)=x1∑P(x1)P(x2∣x1)P(x3∣x1,x2)=x1∑P(x1)P(x2∣x1)P(x3)=P(x3)x1∑P(x1)P(x2∣x1)=P(x3)x1∑P(x1,x2)=P(x3)P(x2)(7.42)
不等式(7.42)表明此时 x 2 x_2 x2与 x 3 x_3 x3不独立，称为 x 2 x_2 x2与 x 3 x_3 x3关于 x 1 x_1 x1的边际独立不成立。
按如下方法将有向图转化为无向图：
这样生成的图称为道德图。
在道德图中，若去掉一些结点（结点集 z mathbf{z} z）后，使得结点 x x x和 y y y不再连通，则称 x x x与 y y y被 z mathbf{z} z有向分离（注：这里"directed"翻译成了“有向”，若翻译成“受控的”，则为“受控分离”，这更贴切），记为： x ⊥ y ∣ z x, bot , y, |, mathbf{z} x⊥y∣z，即在 z mathbf{z} z的控制下， x x x与 y y y独立。 当集合 z mathbf{z} z退化成一个结点 z z z时，即为前述的条件独立： x ⊥ y ∣ z x, bot , y, |, z x⊥y∣z。
当网络结构已知时（即有向图的父子关系已知），则训练分类器的步骤为
然而，在现实中，通常不知道网络结构，只有训练集 D D D的数据，这时，将网络结构视为“超参数”。 下面讨论如何选择该“超参数”：
（1）先给定对网络结构评价的偏好，如，最小描述长度（MDL），即找一个能以“最短编码长度”契合训练数据的模型：
由上述两点即可构造出一个评分函数（以求 min min min为目标）
s ( B ∣ D ) = f ( θ ) ∣ B ∣ − L L ( B ∣ D ) begin{align} s(B,|,D)=f(theta )|, B, |-mathrm{LL}(B,|,D) tag{7.43} end{align} s(B∣D)=f(θ)∣B∣−LL(B∣D)(7.43)
针对式(7.43)中的第一项，我们看三种特殊情况：
针对式(7.43)中的第二项，我们进行分解
L L ( B ∣ D ) = log P ( D ∣ B ) （对数似然） = log P B ( D ) （为明确起见，换个概率符号） = log P B ( x 1 , x 2 , ⋯ , x m ) （ x i 为样本） = log ∏ i = 1 m P B ( x i ) （由样本的独立性） = ∑ i = 1 m log P B ( x i ) begin{align} mathrm{LL}(B,|,D) & ={log} P(D,|,B)qquad text{（对数似然）}notag \ & ={log} P_B(D)qquad text{（为明确起见，换个概率符号）}notag \ & ={log} P_B(boldsymbol{x}_1,boldsymbol{x}_2,cdots,boldsymbol{x}_m)quad text{（$boldsymbol{x}_i$为样本）}notag \ & ={log} mathop{prod}limits_{i=1}^m P_B(boldsymbol{x}_i)quad text{（由样本的独立性）}notag \ & =mathop{sum}limits_{i=1}^m {log} P_B(boldsymbol{x}_i)tag{7.44} end{align} LL(B∣D)=logP(D∣B)（对数似然）=logPB(D)（为明确起见，换个概率符号）=logPB(x1,x2,⋯,xm)（xi为样本）=logi=1∏mPB(xi)（由样本的独立性）=i=1∑mlogPB(xi)(7.44)
P B ( x i ) = P B ( x i 1 , x i 2 , ⋯ , x i d ) = ∏ k = 1 m θ x i k ∣ π k （由式(7.41)，下标改为上标 k ） begin{align} quad P_B(boldsymbol{x}_i) & =P_B(boldsymbol{x}_i^1,boldsymbol{x}_i^2,cdots,boldsymbol{x}_i^d)notag \ & =mathop{prod}limits_{k=1}^m{theta}_{x_i^k,|,{pi }^k}quad text{（由式(7.41)，下标改为上标$k$）}tag{7.45} end{align} PB(xi)=PB(xi1,xi2,⋯,xid)=k=1∏mθxik∣πk（由式(7.41)，下标改为上标k）(7.45)
其中， θ x i k ∣ π k = P B ( x i k ∣ π k ) {theta}_{x_i^k,|,{pi }^k}=P_B({x_i^k,|,{pi }^k}) θxik∣πk=PB(xik∣πk)，下标表示样本编号，上标表示属性编号， π k {pi }^k πk为第 k k k个属性的父结点集（与样本无关，故它不带下标）。
因 B B B不知，而 D D D已知， B B B要求契合于 D D D，故应
θ x i k ∣ π k = P ^ D ( x i k ∣ π k ) begin{align} {theta}_{x_i^k,|,{pi }^k}=hat{P}_D({x_i^k,|,{pi }^k}) tag{7.46} end{align} θxik∣πk=P^D(xik∣πk)(7.46)
其中，右侧为 D D D上的经验分布，它可通过对 D D D中的样本进行分门别类地“计数”，统计频率来估算。
问题又来了： π k {pi }^k πk并不知道，无从“分门别类”。 也说是说：只有在 k k k属性结点之父 π k {pi }^k πk确定了，才可依上述讨论求出 s ( B ∣ D ) s(B,|,D) s(B∣D)。
综上， max L L ( B ∣ D ) max mathrm{LL}(B,|,D) maxLL(B∣D)变为一个“两级搜索”问题：
通过两级搜索得到最优贝叶斯网络 B ∗ B^* B∗，最优贝叶斯网络 B ∗ B^* B∗体现为： 结构 G G G（部分超参数+搜索其他参数）+一组条件概率表CPT（参数 Θ Theta Θ），如【西瓜书图7.2】所示。
本文为原创，您可以：
上一篇：7.5 特殊的半朴素贝叶斯分类器（SPODE、TAN、AODE，研究特殊的“父子”关系）
下一篇：7.7 贝叶斯网络分类器（分类可视为一种特殊的查询）、贝叶斯网络推断（查询一组结点称为“推断”）
本文发布于:2024-02-03 07:27:59，感谢您对本站的认可！
本文链接：https://www.4u4v.net/it/170691647949531.html
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。
| 留言与评论（共有 0 条评论） |
