离散动态贝叶斯网络

概述

朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立（实际上在现实应用中几乎不可能做到完全独立），现实中各个特征属性间往往并不条件独立，而是具有较强的相关性，这样就限制了朴素贝叶斯分类的能力。这时就需要贝叶斯网络了，贝叶斯网络也称信念网络（Belief Networks）或者因果网络（Causal Networks），是描述变量之间以来关系的一种图形模型，也是一种用来推理的模型。

贝叶斯构造与学习

  构造与训练贝叶斯网络分为以下两步：

  1、确定随机变量间的拓扑关系，形成DAG。这一步通常需要领域专家完成，而想要建立一个好的拓扑结构，通常需要不断迭代和改进才可以。

  2、训练贝叶斯网络。这一步也就是要完成条件概率表的构造。但是通常贝叶斯网络的中存在隐藏变量节点，那么训练方法就是比较复杂，例如使用梯度下降法。由于这些内容过于晦涩以及牵扯到较深入的数学知识，在此不再赘述，有兴趣的朋友可以查阅相关文献。

贝叶斯网络基础及其推到

发现了比较好的例子，我就不写了。
转一下吧^_^
http://www.dataguru.cn/thread-508373-1-1.html