贝叶斯网络 (人工智能期末复习)

文章目录

  • 贝叶斯网络(概率图模型)
    • 定义
    • 主要考点
    • 例题
      • - 要求画出贝叶斯网络图
      • - 计算各节点的条件概率表
      • - 计算概率
      • - 分析独立性

贝叶斯网络(概率图模型)

定义

一种简单的用于表示变量之间条件独立性有向无环图(DAG)。

主要考点

  • 给出一定表述,要求画出贝叶斯网络图
  • 给出每个节点的条件概率表
  • 使用贝叶斯网络计算概率
  • 分析贝叶斯网络的独立性

例题

- 要求画出贝叶斯网络图

臭鸡蛋(E)或灾难后动物的尸体(M)都会发出一种奇怪的臭味(S),灾难也可能导致海水沸腾(B)。


STEP1 先找出原因变量

E、M能导致S,所以E和M是原因变量,M也能导致B;因此由题目可以总结出E和M为原因变量,考虑首先把它们加入图中;

STEP2 依次把变量加入图中

首先加入E,然后加入M,E、M之间没有交互关系,无连接;
再加入S,E和M都能导致S,因此E和M都是S的父节点;
最后加入B,只有M能导致B,因此M作为B的父节点;
最后得出的贝叶斯网络图如下:
贝叶斯网络 (人工智能期末复习)_第1张图片

- 计算各节点的条件概率表

给定一定的数据集以及对应的贝叶斯网络,求各节点对应的条件概率表。

贝叶斯网络 (人工智能期末复习)_第2张图片

贝叶斯网络 (人工智能期末复习)_第3张图片


STEP1 首先处理无父节点的结点

  • 对于行车里程,有高、低两种情况,概率各为0.5和0.5
    贝叶斯网络 (人工智能期末复习)_第4张图片
  • 对于空调,有可用和不可用两种情况,概率都为0.5
    贝叶斯网络 (人工智能期末复习)_第5张图片

STEP2 再处理有父节点的结点

  • 对于引擎,有一个父节点“行车里程”,因此条件概率表有四行
    贝叶斯网络 (人工智能期末复习)_第6张图片
  • 对于车的价值,有两个父节点,引擎和空调,因此有八行
    贝叶斯网络 (人工智能期末复习)_第7张图片

- 计算概率

在上一题的基础上计算P(引擎=差,空调=不可用)

P(引擎=差,空调=不可用)=∑αβ P(引擎=差,空调=不可用,行车里程=α,车价=β)
=∑αβ P(车价=β│引擎=差,空调=不可用)P(引擎=差 | 行车里程=α)P(行车里程=α)P(空调=不可用)=0.1453

臭鸡蛋(E)或灾难后动物的尸体(M)都会发出一种奇怪的臭味(S),灾难也可能导致海水沸腾(B)。
假定该表述的各条件概率表由下表所示,请计算出以下概率

贝叶斯网络 (人工智能期末复习)_第8张图片


1、联合概率 P(-e,-s,-m,-b)

P(-e,-s,-m,-b) = P(-e)P(-m)P(-s|-e,-m)P(-b|-m) = 0.6×0.9×0.9×0.9 = 0.44

2、海水沸腾的概率 P(+b)

P(+b) = P(+b|+m)P(-m) + P(+b|-m)P(-m) = 1×0.1+0.1×0.9 = 0.19

3、在海水沸腾的条件下,动物尸体出现的概率 P(+m|+b)

P(+m|+b) = P(+b|+m)P(+m) / P(+b) = (1×0.1) / 0.19 = 0.53

4、在奇怪的臭味,海水沸腾与臭鸡蛋出现的条件下,动物尸体出现的概率 P(+m|+s,+b,+e)

分子部分:
P(+e,+s,+m,+b) = P(+e)P(+m)P(+s|+e,+m)P(+b|+m) = 0.4×0.1×1.0×1.0 = 0.04

分母部分

P(+s,+b,+e) = P(+e)P(+m)P(+s|+e,+m)P(+b|+m) + P(+e)P(-m)P(+s|+e,-m)P(+b|-m) = 0.4×0.1×1.0×1.0 + 0.4×0.9×0.8×0.1 = 0.0688

所以P(+m|+s,+b,+e) = 0.04/0.0688 = 0.58

- 分析独立性

考虑下图所示的贝叶斯网络,判断以下表述是否正确
贝叶斯网络 (人工智能期末复习)_第9张图片


在做题之前讲一下如何判断独立性,有以下五个步骤

  • 根据原始概率图,构建包括表达式中包含的变量以及这些变量的祖先节点的图;(这一步通常可以省略,看题目给出的图即可)
  • 若两个节点有同一个子节点,连接这两个节点;(若一个变量的节点有多个父节点,则分别链接每一对父节点)
  • 去掉图中所有的路径方向,将有向图变成无向图;
  • 从图中删除需要判断的概率表达式中作为条件的变量,以及和它们相连的路径;
  • 最后一步判断:若变量之间没有连接则独立,若有路径连接则不独立,若其中一个变量在上一步中被删掉了则独立。

下面我们结合五个表述来解释:
首先执行第二步,连接拥有同一个子节点的两个节点,然后第三步将有向图变为无向图(这一步因为懒就不画了)
贝叶斯网络 (人工智能期末复习)_第10张图片

1、A ⊥  ⁣ ⁣ ⁣ ⊥ \perp \!\!\! \perp B
由于该表述没有条件变量,所以第四步不用删除,我们只需判断A和B之间是否有连接,显然A和B是不独立的
贝叶斯网络 (人工智能期末复习)_第11张图片

2、A ⊥  ⁣ ⁣ ⁣ ⊥ \perp \!\!\! \perp D | {B , H}
这个表述有两个条件变量,所以我们需要删除B和H两个节点以及与它们相连的路径,变成下图
贝叶斯网络 (人工智能期末复习)_第12张图片

A和D之间没有连接,所以是独立的

3、G ⊥  ⁣ ⁣ ⁣ ⊥ \perp \!\!\! \perp E | B
同理,删掉节点B和与B相连的路径,可以看到G和E之间是有连接的,所以G和E不独立
贝叶斯网络 (人工智能期末复习)_第13张图片

4、F ⊥  ⁣ ⁣ ⁣ ⊥ \perp \!\!\! \perp C | D
删掉D,F和C之间没有连接,所以F和C是独立的
贝叶斯网络 (人工智能期末复习)_第14张图片

5、C ⊥  ⁣ ⁣ ⁣ ⊥ \perp \!\!\! \perp H | G
删掉G,C和H之间没有连接,所以C和H是独立的
贝叶斯网络 (人工智能期末复习)_第15张图片

PS:但是这种方法好像有点问题,等我考完另一门试再来研究一下另一种方法

参考文章:
https://zhuanlan.zhihu.com/p/436214290
https://zhuanlan.zhihu.com/p/274314301

你可能感兴趣的:(人工智能,人工智能,贝叶斯网络,D分离法,条件概率表,贝叶斯网络独立性)