19、不确定性学习方法：贝叶斯、K-means与EM算法解析

不确定性学习方法：贝叶斯、K-means与EM算法解析

1. 贝叶斯学习

1.1 贝叶斯学习的实现方式

贝叶斯学习部分包含了离散化贝塔分布的两种实现。第一种将贝叶斯学习表示为一个信念网络，第二种则是用于理解贝塔分布的交互式工具。

1.2 基于信念网络的概率学习

以下代码展示了如何使用信念网络表示来学习离散化概率：

from variable import Variable
from probFactors import Prob
from probGraphicalModels import BeliefNetwork
from probRC import ProbRC

#### Coin Toss ###
# multiple coin tosses:
toss = ['tails','heads']
tosses = [ Variable(f"Toss#{i}", toss,
                    (0.8, 0.9-i/10) if i<10 else (0.4,0.2))
          for i in range(11)]

def coinTossBN(num_bins = 10):
    prob_bins = [x/num_bins for x in range(num_bins+1)]
    PH = Variable("P_heads", prob_bins, (0.1,0.9))
    p_PH = Prob(PH,[],{x:0.5/num_bins if x in [0,1] else 1/num_bins