理工酷

贝叶斯网络本质上具有随机变量，并且具有对变量之间的依赖性进行编码的图结构。例如，考虑下图： 该图编码的如下： “下雨”的可能性取决于是否是“阴天”：阴天= True =>下雨的可能性更高 “洒水”的概率取决于是否为“多云”：多云= True =>洒水的概率较低 “湿草”的概率取决于“洒水”和“雨水”：如果这些因素中的任何一个成立，那么湿草也可能成立。 现在，有一些算法可以对这些图进行“训练”和“推理”，训练包括学习给定标记数据的节点之间的关系，推理包括计算一些变量的概率，假设其他变量被观察到处于特定状态[例如，在上面的例子中Rain=True] 该框架可用于多种应用程序。常见的应用之一是隐马尔可夫模型（HMM）。假设给你一组英语句子，并且想学习预测一个看不见的句子中每个单词的词性。你可以将此问题建模为HMM： 在这里，t是需要预测的标签，w是要观察的单词。给定单词，你想找到最可能的标签序列。