概率图模型系列之概述（一）

Handsome coder

于 2021-04-11 21:16:01 发布

阅读量206

点赞数

分类专栏：深度学习机器学习概率图模型文章标签：神经网络人工智能机器学习深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/liaozhaocong/article/details/115605033

版权

本文介绍了概率图模型的基础知识，包括生成模型和判别模型的区别，深入探讨了有向图的条件独立性和d-划分原理，并通过实例解释了如何判断节点间的条件独立性。同时，提到了无向图的基本概念，如局部马尔科夫性，并列举了常见的有向图模型（如朴素贝叶斯、隐马尔科夫模型）和无向图模型（如对数线性模型、条件随机场）。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

（一）概率图模型概述

前言

一、生成模型和判别模型？

在这里插入图片描述

二、概率图

1.定义

在这里插入图片描述

2.概率图模型分类

代码如下（示例）：

2.1、有向图

在这里插入图片描述
也就是

2.1.1、条件独立性

1、在贝叶斯网络中，如果两个节点是直接连接的，他们肯定是非条件独立的，是直接因果关系，父节点是因，子节点是果。
2、在贝叶斯

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。