25、贝叶斯网络：从基础到应用的全面解析

贝叶斯网络：从基础到应用的全面解析

1. 算法基础与贝叶斯思想

算法需运用计算机能理解的规范正式语言来表达状态间的转换。在处理数据和解决问题时，算法会定义、优化并执行一个函数，该函数通常针对具体问题。

有一群被称为贝叶斯派的科学家，他们认为不确定性是关键要素，学习并非必然发生，而是对先前信念的持续更新，且会越来越准确。基于此认知，贝叶斯派采用了统计方法，尤其是贝叶斯定理的推导式，它能帮助我们计算特定条件下的概率。

深度学习技术应用中，会在正向传播（也叫前馈神经网络）方法里运用贝叶斯推理，助力神经网络从提供的数据中学习。虽然简单运用贝叶斯只是更复杂技术的起点，但很多数据科学家认为这种推理对深度学习的未来至关重要。

2. 网络贝叶斯概述

并非所有决策都能仅依赖单一预测，有时需考虑多层次决策以更好地模拟情况。网络贝叶斯是概率图模型（PGM）的一种，与之并列的还有马尔可夫网络。二者区别在于，贝叶斯依赖有向无环图，而马尔可夫网络是无向且循环的。它们都能对特定依赖关系进行建模，但用途和使用方式不同。

2.1 网络类型与用途

网络贝叶斯有多种用途，包括预测、异常检测、诊断、自动洞察、推理、时间序列预测以及在不确定情况下的决策等。它主要分为以下四种类型：
|类型|特点与用途|
| ---- | ---- |
|描述性|基于数据属于某事物的概率对其进行描述或分类，具有自动洞察、发现大模式、识别异常模式和多变量分析等特点和用途。|
|诊断性|根据潜在假设的正确性确定错误原因或判断事物是否有用，涉及信息价值评估、推理、故障排除和追踪异常等。|
|预测性|依据当前信息