WykÅad 3: Sieci Bayesa
WykÅad 3: Sieci Bayesa WykÅad 3: Sieci Bayesa
a E b d c G F gdzie a, b, c, d to obserwacje, E, F, G to hipotezy Aby zdefiniować graf zwykle podaje się zbiór jego wierzchołków oraz zbiór jego krawędzi. Każdy wierzchołek reprezentuje obserwację lub hipotezę, każda krawędź jest określona w ten sposób, że podaje się dla niej informacje o wierzchołkach które dana krawędź łączy, oraz ewentualnie dla grafów skierowanych informację o kierunku krawędzi. Załóżmy, że G będzie grafem określonym zbiorem wierzchołków N i krawędzi E. Załóżmy, również że dany jest zbiór prawdopodobieństw warunkowych CP. Elementami tego zbiory są prawdopodobieństwa opisujące poszczególne krawędzie grafu
Pod pojęciem sieci Bayesowskiej rozumieć będziemy trójkę: B = { N, E, CP } gdzie dwójka {N,E} jest zorientowanym grafem acyklicznym zbudowanym na podstawie zadanych prawdopodobieństw warunkowych zawartych w zbiorze CP. N – (ang. Nodes) węzły w grafie odpowiadające zbiorom obserwacji i hipotez E – (ang. edges) krawędzie odzwierciedlające kierunek wnioskowania Każdy wierzchołek w sieci przechowuje rozkład P(X i | (i) ) gdzie X (i) jest zbiorem wierzchołków odpowiadających (i) – poprzednikom (rodzicom) wierzchołka (i).
- 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 19: Siecią Bayesa nazywamy skierowany
- 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
Pod pojęciem sieci Bayesowskiej rozumieć będziemy trójkę:<br />
B = { N, E, CP }<br />
gdzie dwójka {N,E} jest zorientowanym grafem acyklicznym<br />
zbudowanym na podstawie zadanych prawdopodobieństw<br />
warunkowych zawartych w zbiorze CP.<br />
N – (ang. Nodes) węzły w grafie odpowiadające zbiorom<br />
obserwacji i hipotez<br />
E – (ang. edges) krawędzie odzwierciedlające kierunek<br />
wnioskowania<br />
Każdy wierzchołek w sieci przechowuje rozkład P(X i | (i) ) gdzie X (i) jest zbiorem<br />
wierzchołków odpowiadających (i) – poprzednikom (rodzicom) wierzchołka (i).