概率图模型的学习
来源:互联网 发布:vb工控 编辑:程序博客网 时间:2024/05/22 15:03
前言
机器学习中最重要的任务,是根据一些已观察到的证据(如训练样本)来对感兴趣的未知变量(如类别标记)进行估计和预测。概率模型(probabilistic model)提供了一种描述框架,将学习任务归结于计算变量概率的分布。
什么是概率图模型
在概率模型中,利/用已知变量推测未知变量的分布称为“推断”(inference),其核心是如何基于可观测变量推测出未知变量的条件分布。具体来说,假定问题中关注的变量集合为Y,可观测的变量集合为O,其它变量的集合是R。生成式模型考虑联合分布P(Y,R,O),判别式模型考虑条件分布P(Y,R|O)。给定一组观测变量值,推断就是要从P(Y,R,O)或P(Y,R|O)中得到条件概率分布P(Y|O)。
直接利用概率和规则消去变量R显然不可行,因为其计算复杂度是指数型的。为了便于研究高效的推断和学习算法,需要一套能简洁紧凑的表达变量间关系的工具,于是概率图模型营运而生。
概率图模型(probabilistic graphical model)是一类用图来表示变量间相关关系的概率模型。它以图为表示工具,常见的是用一个节点表示一个或一组随机变量,节点之间的边表示变量间的概率相关关系,即“变量关系图”。
根据边的性质不同,概率图分为:
+ 使用有向无还图表示变量间的依赖关系,称为有向图或贝叶斯网(Bayes Network)。
+ 使用无向图表示变量间的相关关系,称为无向图模型或马尔科夫网(Markov Network)。
若变量间存在显式的因果关系,则常使用Bayes Network;若变量间存在相关性,但是难以获得显式的因果关系,则经常使用Markov Network。
隐马尔科夫模型的介绍
隐马尔科夫模型(Hidden Markov Model,简称HMM)是结构最简单的动态贝叶斯网(相比普通贝叶斯网络而言),是一种著名的有向图,主要应用在时序数据建模、语音识别、自然语言处理等领域中。
未完待续…
- 概率图模型的学习
- 下决心概率图模型学习
- 机器学习模型 概率图模型
- 概率图模型的学习——Probabilistic Graphical Model
- 概率图模型的讨论
- 概率图模型的基本知识
- 概率图模型学习(一):概率图矩阵分解
- 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
- 深度学习--概率图模型(一)
- 【机器学习】概率图模型总结
- 最好的概率图模型简介
- 【机器学习】【读后感】(条件)概率模型们的本质:树状、时序到一般性的图
- 《机器学习》学习笔记八 概率图模型
- 概率图模型学习(3)——贝叶斯网与马尔科夫网的关联
- 概率图模型
- 概率图模型
- 概率图模型基础
- 图片TOP-5 错误率
- mysqldump的权限说明
- 微信公众号开发2自动回复
- 努力新的开始
- CVPR 2017-01-10
- 概率图模型的学习
- python的数据可视化 graphviz pydot安装配置(win10)
- 大数据培训为什么这么火?
- ng-init的妙用
- 邮件群发及自动统计退信、动态调整发送策略
- Faster RCNN解析
- Leetcode 172 Factorial Trailing Zeroes
- 正则表达式实例
- Fastjson 学习笔记