斯坦福-随机图模型-week1.4_



title: 斯坦福-随机图模型-week1.4

tags: note

notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation

---

斯坦福-随机图模型-week1.4

独立性 preliminaries 初步

独立的数学描述

对于事建 a, b 如果是独立的那么使用如下的符号进行描述

独立的事件有以下的性质:

对于随机变量有相似的表示

一个例子

还是用之前的成绩问题作为例子:

我们可以看到P(I,D)的矩阵中,i0,d0是0.42,正好是P(i0)于P(d0)的乘积,这说明两个变量有可能是独立的。

条件独立

对于有三个随机变量的情况,可以定义条件独立,可以描述为

这个条件表述,在Z条件下,x,y是独立的

条件概率有如下的性质

也就是事建X和事件Z的条件下发生Y同事发生的概率等于 Z的条件下发生Y 乘以 Z的条件下发生Y

条件独立的例子

如果你选取一个硬币并且投掷他,假设你不知道者个硬币是什么样的,如果你第一次得到的是正面,那么你对这个硬币的得到正面的概率的估计是什么样的呢?他应该会变得更高。因为你的观测证明他向上的,而你不知道这个硬币是不是均匀的,所以你会倾向于认为这个硬币更容易得到正面。

所以说下次投掷同样得到正面的概率会增加。如果我告诉你,我们的硬币是平均的,那么我们说这两次的投掷就会变得独立,这就是条件独立的例子。

贝叶斯网络

独立和分解

根据我们上面的解释,我们讨论了两种独立的现象,他们分别是独立和条件独立:

可以看到两种独立性都意味着一种因式分解的可能,我们可以根据这种性质将逗号式拆开,变成乘法式。

提出问题:如果我们的公式p可以写成因式分解的形式,那么是不是说明 G的结构式独立的呢?

影响的流动和 d-separation d分离

定义: 如果在G(Z)中是D分离的,那么在Z的X和Y中没有active trail(活跃的轨迹)

我们可以使用D分离的理论对独立性进行证明。

定理:如果P可以因式分解G,并且在G上有X,Y是D分离的,那么我们认为有X,Y在Z上是条件独立的。

比如我们可以证明在上述图中的D和s是相互独立的:

证明的过程是这样的,我们先写出P(D,S)是多少。我们就可以进行因式分解,从而得到:独立的证明式。

D-Separation是一种用来判断变量是否条件独立的图形化方法。相比于非图形化方法,D-Separation更加直观,且计算简单。对于一个DAG(有向无环图)E,D-Separation方法可以快速的判断出两个节点之间是否是条件独立的。

对于较为复杂的DAG图,我们可以给出一个普遍意义上的结论,也就是D-Seperation。对于DAG图E,如果A,B,C是三个集合(可以是单独的节点或者是节点的集合),为了判断A和B是否是C条件独立的,我们考虑E中所有A和B之间的无向路径。对于其中的一条路径,如果她满足以下两个条件中的任意一条,则称这条路径是阻塞(block)的:

(1)路径中存在某个节点X是head-to-tial或者tail-to-tail节点(情况一和情况二),并且X是包含在C中的;

(2)路径中存在某个节点X是head-to-head节点(情况三),并且X或X的儿子是不包含在C中的;

如果A,B间所有的路径都是阻塞的,那么A,B就是关于C条件独立的;否则,A,B不是关于C条件独立的。

I-maps 无关图,

如果在G图中是d分离的,那么P就会符合条件独立的陈述。

我们就可以使用Imap的形式对整个的图像进行描述。

如果我们发现对于所有的P都是条件无关的我们说,P是一个无关图。

比如对于下面的图中:

也就是在D,I没有链接的情况下,G1的无关图是

有了上述的基础我们就可以对我们的因式分解的过程进行解释了,我们刚才只是在使用这个公式,并没有有效的证明他,大家可以看到下面的这一部分。

原文地址:https://www.cnblogs.com/zangzelin/p/8502799.html

时间: 2024-10-16 11:25:30

斯坦福-随机图模型-week1.4_的相关文章

斯坦福-随机图模型-week1.1_

title: 斯坦福-随机图模型-week1.1 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week1.1 练习 1.第 1 个问题 Factor product. Let X,Y and Z be binary variables. If ?1(X,Y) and ?2(Y,Z) are the factors shown below, compute

斯坦福-随机图模型-week1.5

title: 斯坦福-随机图模型-week1.5 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week1.5 贝叶斯网络 朴素贝叶斯 朴素贝叶斯是一个概率的分类模型,下面我们用概率图的思想去理解他.他转化成概率图模型可以描述成如下: 原文地址:https://www.cnblogs.com/zangzelin/p/8502825.html

斯坦福-随机图模型-week1.5_

title: 斯坦福-随机图模型-week1.5 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week1.5 贝叶斯网络 朴素贝叶斯 朴素贝叶斯是一个概率的分类模型,下面我们用概率图的思想去理解他.他转化成概率图模型可以描述成如下: 第一层是一个分类的随机变量,描述事物的分类: 第二层是多个特征的随机变量,也就是说这是一个从分类到特征的概率图模型,我们有

斯坦福-随机图模型-week1.0_

title: 斯坦福-随机图模型-week2.0 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week2.0 模板模型(Template Models) 在实际的模型的建立的过程中,会出现很多的重复的情况.比如在如下的模型中: 有很多的重复的结构,比如每一个的基因型都和表现形直接相关.而且每一个基因型都和两个前代的基因型十分的相关. 或者在自然语言处理的

斯坦福-随机图模型-week2.1_

title: 斯坦福-随机图模型-week2.1 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week2.1 plate model 模板模型 4. Plate 模型 时序模板模型,通常还有一类情况需要模板模型:问题中有多个相同类型的不同对象,希望建立模板对这些对象进行统一考虑. 4.1 硬币采样例子 如何理解 Plate 模型的机制,以最简单的硬币采样

斯坦福-随机图模型-week2.2_

title: 斯坦福-随机图模型-week2.2 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week2.2 习题 1.第 1 个问题 Markov Assumption. If a dynamic system X satisfies the Markov assumption for all time t≥0, which of the follow

斯坦福-随机图模型-week3.0_

title: 斯坦福-随机图模型-week3.0 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week3.0 马尔科夫网络 pairwise markov networks 成对马尔科夫模型 图论模型中有有向图和无向图,对于无向图来说,运用到随机图论中就是马尔科夫模型. 在马尔科夫模型中,有一种模型十分有趣,他是成对马尔科夫模型. 我们首先看一个例子:

斯坦福-随机图模型-week3.3_

title: 斯坦福-随机图模型-week3.3 tags: note notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation --- 斯坦福-随机图模型-week3.3 习题 1. Question 1 I-Maps. Graph G (shown below) is a perfect I-map for distribution P, i.e. I(G)=I(P). Which of the other gr

python图工具中基于随机块模型动态网络社团检测

原文链接:http://tecdat.cn/?p=7602 这是“政治博客圈和2004年美国大选”中的政治博客网络图,但是边缘束是使用随机块模型确定的(注:下图与图相同(即,布局和数据相同)). Tiago论文中的5-我只是在上面放了一个黑色背景 . 边缘配色方案与Adamic和Glance的原始论文中的相同,即每个节点对应一个博客URL,颜色反映政治取向,红色代表保守派,蓝色代表自由派.橙色边从自由派博客到保守派博客,紫色边从保守派到自由派(参见Adamic和Glance中的图1). 颜色方案