概率图模型笔记(7)——Knowledge Engineering
来源:互联网 发布:php高并发秒杀 实例 编辑:程序博客网 时间:2024/05/01 01:26
7.1 建立模式时应注意到的区别
(1)基于模板的VS特殊化的
基于模板的(例如图像分割)会有较少的变量类型,并且其提取的特征对预测结果有非常大的影响。特殊化(医学识别)则会有较多的变量类型。另外,也有两者混合的模型,例如对于错误识别模型,一个模型内是特殊化类型,多个需要错误识别的主体可能会采用相同的识别模型(基于模板).
(2)有向的VS无向的
(3)生成式VS判别式
对于有特定预测任务的模型来说,特征丰富的判别模型非常有用,并且能避免特征相关性。对于需要灵活处理的模型,可以使用生成式,并且它在确定的regime下非常易于训练。
注意,混合型的建模也是非常普遍的。
7.2 变量类型
(1)目标变量:即我们感兴趣的未知变量。
(2)观察变量:已知的变量,以及变量结构。
(3)隐变量:未知的且不感兴趣的变量。
7.3 参数:局部模型
上下文无关的离散模型:树形CPD
相关的离散模型:sigmoid、noisy or
上下文无关的连续模型:regression tree(thresholds)
相关的连续模型:线性高斯模型
0 0
- 概率图模型笔记(7)——Knowledge Engineering
- 概率图模型(07): 从思路到模型(Knowledge Engineering)
- 概率图模型笔记(2)——Bayesian Network Fundamentals
- 概率图模型笔记(3)——Template Models
- 概率图模型笔记(5)——structured CPDs
- 概率图模型笔记(6)——Markov Network Fundamentals
- 概率图模型笔记(8)——Inference Variable Elimination
- 概率图模型(PGM)学习笔记(五)——模板模型
- 概率图模型(PGM)学习笔记(五)——模板模型
- 概率图模型(PGM)学习笔记(五)——模板模型
- 机器学习笔记——概率生成模型
- 概率图模型笔记(9-10)——Inference-Belief Propagation
- 概率图模型笔记-周志华《机器学习》
- 机器学习笔记(十四)概率图模型
- 吴恩达机器学习笔记——指数分布族&广义线性模型&逻辑回归概率模型推导
- 概率图模型的学习——Probabilistic Graphical Model
- 概率图模型学习(1)——基础
- 概率图模型学习(3)——马尔科夫网表示1
- 2012年第三届蓝桥杯C/C++程序设计本科B组省赛
- java递归求和、倒置算法
- nyoj301——递推求值
- 【矩阵】[HNOI2011][HYSBZ/BZOJ2326][CQBZOJ2831]数学作业
- 解决webstorm卡顿问题
- 概率图模型笔记(7)——Knowledge Engineering
- virtualbox中centos用wifi联网
- Python数据分析学习路径图(120天Get新技能)
- ios生命周期
- 第三章 结构和层叠
- Android(一)onCreate方法
- Codeforces Round #340 (Div. 2) D. Polyline(规律)
- linux服务器性能运维
- 第四章 单位和值