第二章 概率图模型的基本原理
Posted tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了第二章 概率图模型的基本原理相关的知识，希望对你有一定的参考价值。
分为有向概率图模型(Directed Probabilistic Graphical Model)，无向概率图模型(Undirected Probabilistic Graphical Model)，混合概率图模型(Mixed Probabilistic Graphical Model)。
有向概率图模型：隐马尔科夫模型，贝叶斯网络，，动态贝叶斯网络
无向概率图模型：马尔科夫随机场，条件随机场
混合概率图模型：链图
隐马尔科夫模型（Hidden Markov Model, HMM）
HMM算法实现的基本问题：
（1）初始模型选取
不同初始模型得到的结果不同
（2）多个观察值
可能有多个序列，然后对参数进行估计
（3）前向和后向算法以及Baum-Welch算法随着计算增加，计算结果的数值变小，可能产生下溢。
需要对
贝叶斯网络的学习包含两个主要过程：学习贝叶斯网络结构，学习参数。
几种常用的贝叶斯分类器：
(1)朴素贝叶斯网络(Naive Bayesian Networks, NBN)：
（2）通用贝叶斯网络（General Bayesian Networks, GBN）
(3)增强型朴素贝叶斯网络（Tree-Augmented Naive Bayes, TAN）
(4)马尔科夫毯贝叶斯网络（Markov Blanket Bayesian Networks, MBBN）
动态贝叶斯网络（Dynamic Bayesian Networks, DBNs）
隐马尔科夫模型（HMM）和卡尔曼滤波模型（KFM）是两种典型的状态空间模型。
无向概率图模型（Undirected Probabilistic Graphical Model）:
马尔科夫随机场（Markov Random Fields, MRFs）:
条件随机场(Conditional Random Fields, CRFs):
概率图模型的学习：分为结构学习和参数学习
结构学习：分为基于评分函数的学习（Scoring Function）和基于独立测试的学习（Conditional Independence Test, CIT）
评分函数：主要有基于贝叶斯统计的BDe（Bayesian Dirichlet-Likelihood Equivalent），最小描述长度MDL（Minimum Description Length），贝叶斯信息标准BIC（Bayesian Information Criterion）
基于独立测试的学习：常用的算法有CL算法，3阶段算法。
模型推理：分为精确推理与近似推理
精确推理：分为基于网络结构的推理与其他算法。
其他算法：包括图形简化法，证据扩散，汇聚算法，变量消元法，联合树算法。
近似推理：分为采样和搜索两种方法。
以上是关于第二章 概率图模型的基本原理的主要内容，如果未能解决你的问题，请参考以下文章