WykÅad 3: Sieci Bayesa

More documents

Recommendations

Info

Musimy pamiętać mniej wartości: w naszym przypadku 11 zamiast 31 (ogólnie n2 k , n-liczba wierzchołków, k - maksymalna liczba rodziców; zamiast 2 n -1 wszystkich wartości w rozkładzie pełnym) Naturalne modelowanie: łatwiej oszacować prawd. warunkowe bezpośrednich zależności niż koniunkcji wszystkich możliwych zdarzeń Dowolny kierunek wnioskowania Czytelna reprezentacja wiedzy Łatwa modyfikacja
Reguła łańcuchowa: z def. P(X 1 ,X 2 )=P(X 1 |X 2 )P(X 2 ) P( X ,..., X n) P( X i | X i1,..., X 1 n i Numerując wierzchołki grafu tak aby indeks każdej zmiennej był mniejszy niż indeks przypisany jego przodkom oraz korzystając z warunkowej niezależności otrzymujemy: ) P( Xi | X i1,..., X n) P( Xi | Parents ( Xi)) Model zupełny P( X1,..., X n) P( X i i | Parents ( X 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 and 20: Siecią Bayesa nazywamy skierowany
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: P(A) 0.20 P(D) 0.30 P(N) 0.20 A D P
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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?

WykÅad 3: Sieci Bayesa