貝葉斯網絡分類

Question

我在過程中學習貝葉斯網絡MATLAB的分類，我被困在一個簡單的（我認爲）步：

所以對於樸素貝葉斯分類像虹膜數據設置，類是這樣的頂級節點：

  class
 
     /\ 
feature1 feature2

所以這是好的我得到它爲什麼類是功能的原因，沒關係，我得到爲什麼類本身有一個事先。

但在非樸素貝葉斯網絡的情況下，像這樣：

cause1  cause2 
    | \  /
    | consequence 
    | /
    class 

在這種情況下是不幼稚，怎麼會事先去，我怎麼設置？我如何從中得到分類？謝謝（：

PS：我期待在BNT的淨

Answer 1

假設你提到的所有變量是分類和邊緣方向是從上往下：

先驗：

在第一個樸素貝葉斯例子中，'class'的條件概率表（CPT）完全由它的先驗分佈組成，因爲它是一個根節點，即沒有任何父母，如果'class'可以取2個狀態如黑色和白色），其CPT將包含2個值。

在第二貝葉斯網絡（BN）示例中，'class'的CPT取決於'cause1'和'outcome'。假設'結果'有3個狀態，'cause1'有4個狀態，和之前一樣'class'有2個狀態。在這種情況下，'class'的CPT將包含3 * 4 * 2個值。當你學習這個CPT時，你可以把你以前的信仰作爲一個狄利克雷分佈（如果所有變量都是分類的話）。有關如何將您的先前信念納入最大似然估計過程的示例，請查看這些出色的lecture slides。

推論：（或你是指什麼爲「分類」）

作爲每進行分類，實施例1中，就可以利用貝葉斯法則來計算P（「類」 =白色）和P（'班'=黑色）。在第二個（BN）示例中，您將不得不使用置信傳播或變量消除或聯結樹算法來根據觀察節點更新'class'節點的後驗概率。

在如何完成這個here有一個簡單的BNT示例。此外，BNT工具箱還附帶了使用結合樹功能的簡短「推理」示例，您可以在.../examples文件夾下找到該功能。

最後 - 有些人可能不同意，但是 - 就國陣的走向而言，我建議不要嚴格將A→B解釋爲「A cause B」，因爲國陣的因果關係方面，尤其是結構學習領域，開放討論很多。

我希望這會有所幫助。