WykÅad 3: Sieci Bayesa

More documents

Recommendations

Info

Sieć bayesowska to acykliczny (nie zawierający cykli) graf skierowany, w którym: węzły reprezentują zmienne losowe (np. temperaturę jakiegoś źródła, stan pacjenta, cechę obiektu itp.) łuki (skierowane) reprezentują zależność typu „ zmienna X ma bezpośredni wpływ na zmienna Y”, każdy węzeł X ma stowarzyszona z nim tablice prawdopodobieństw warunkowych określających wpływ wywierany na X przez jego poprzedników (rodziców) w grafie, Zmienne reprezentowane przez węzły przyjmują wartości dyskretne (np.: TAK, NIE).
<strong>Sieci</strong>ą <strong>Bayesa</strong> nazywamy skierowany graf acykliczny o wierzchołkach reprezentujących zmienne losowe i łukach określających zależności. Istnienie łuku pomiędzy dwoma wierzchołkami oznacza istnienie bezpośredniej zależności przyczynowo skutkowej pomiędzy odpowiadającymi im zmiennymi. Siła tej zależności określona jest przez tablice prawdopodobieństw warunkowych.
Page 1 and 2: Agnieszka Nowak - Brzezińska
Page 3 and 4: Każdy obiekt traktowany jest jako
Page 5 and 6: Klasyfikacja bayesowska, to metoda
Page 7 and 8: Koncepcja sieci Bayesa wynika wpros
Page 9: Wejście: • Rozważana populacja
Page 12 and 13: Ze zbioru treningowego obliczamy: P
Page 14 and 15: Thomas Bayes (ur. ok. 1702 w Londyn
Page 16: Jeśli A i B są prostymi zdarzenia
Page 21 and 22: Pod pojęciem sieci Bayesowskiej ro
Page 23 and 24: Rozkład prawdopodobieństw zapisuj
Page 25 and 26: zdefiniowanie zmiennych, zdefiniowa
Page 27 and 28: Przykład: jakie są szanse zdania
Page 29 and 30: P(A) 0.20 P(D) 0.30 P(N) 0.20 A D P
Page 31 and 32: Reguła łańcuchowa: z def. P(X 1
Page 33 and 34: Prawdopodobieństwo Zaliczenia 74%
Page 35 and 36: Jeśli się przygotowaliśmy, to ja
Page 37 and 38: Dodajemy wierzchołki decyzyjne (Po
Page 39 and 40: A - pogoda (słonecznie/pochmurno/d
Page 41 and 42: A a1 0.25 a2 0.25 a3 0.25 a4 0.25 P
Page 43 and 44: A a1 0.25 a2 0.25 a3 0.25 a4 0.25 P
Page 45 and 46: Jakie są szanse zdania ustnego egz
Page 47 and 48: Jak prawdopodobne jest zdanie egzam
Page 55 and 56: SMILE Zestaw klas C++ implementują
Page 57: Węzły bez poprzedników są opisa
Page 66 and 67: Rozważmy osobę, która spędza sp
Page 68 and 69:
Otrzymane wyniki (kolor fioletowy n
Page 70:
Sieci bayesowskie - efektywne narz
Page 75 and 76:
Jeśli wiemy, że kulek czerwonych
Page 77 and 78:
To spróbujmy ustalić jaka ona bę
Page 79:
Tylko dla cech jakościowych Tylko
Page 84 and 85:
Zakładając, że zmienne niezależ
Page 86 and 87:
Teraz podobnie zrobimy w przypadku
Page 88:
Jakie będzie prawdopodobieństwo k
Page 94 and 95:
Wyznaczanie odległości obiektów:
Page 96 and 97:
Oblicz odległość punktu A o wsp
Page 98:
1. porównanie wartości zmiennych
Page 102 and 103:
Mimo, że najbliższy dla naszego o
Page 106:
Znajdujemy więc k najbliższych s
Page 117:
Schemat algorytmu: Poszukaj obiekt
show all

WykÅad 3: Sieci Bayesa

Create successful ePaper yourself

Delete template?

Save as template?

WykÅad 3: Sieci Bayesa