第二章 概率图模型的基本原理

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）