概率图模型（PGM）学习笔记（二）贝叶斯网络-语义学与因子分解
概率分布（Distributions）
如图1所示，这是最简单的联合分布案例，姑且称之为学生模型。
图1
其中包含3个变量，分别是：I（学生智力，有0和1两个状态）、D（试卷难度，有0和1两个状态）、G（成绩等级，有1、2、3三个状态）。
表中就是概率的联合分布了，表中随便去掉所有包含某个值的行，就能对分布表进行缩减。
例如可以去掉所有G不为1的行，这样就只剩下了1、4、7、10行，这样他们的概率之和就不为1了，所以可以重新标准化（Renormalization）。如图2所示。
图2
反之也可以把所有含有某个值得行相加，就是边缘化（Marginalization），如图3所示。
图3
条件概率分布（Conditional ProbabilityDistribution, CPD）
已知学生的智力和试卷难度，学生得分的分布就是条件概率。如图4所示。
图4
因子（Factors）
因子是随机变量的函数。
因子是处理概率分布的的基本手段。
因子是高维空间中用以定义概率分布的基本单元。
因子可以相乘（图5）、边缘化（图6）以及缩减（图7）。
图5
图6
图7
前面提到的学生模型，其条件概率分布可以画在一张图里面，如图8.
每个节点代表一个因子，其中有些CPD已经蜕化成非条件概率了。
图8
贝叶斯网络的链式法则（Chain Rule）
如图9所示。概率分布由因子的积来定义。
图9
例如
因此，通过链式法则，贝叶斯网络能够表示联合概率分布：
贝叶斯网络的重要性质是概率和为1
一个简单的概率图是血型模型
其中G指基因型，B指血型。可以看到血型只由自己的基因型决定，而基因型则由父母两人的基因型决定。如图10.
图10
欢迎参与讨论并关注本博客和微博以及知乎个人主页，后续内容继续更新哦~
转载请您尊重作者的劳动，完整保留上述文字以及本文链接，谢谢您的支持！