共同父节点模型
例子将龋齿状态作为疼痛和探针卡住的父节点。图结构编码了一种假设:给定父节点状态后,这两个结果相互独立。
Guy Hoffman · YouTube · 10:48
通过贝叶斯网络例子,区分边缘相关与条件独立。
在学习检查器中查看要点和时刻,或切换阅读标签查看完整笔记。
依据视频画面与讲解整理,并非逐字语音转写。
例子将龋齿状态作为疼痛和探针卡住的父节点。图结构编码了一种假设:给定父节点状态后,这两个结果相互独立。
忽略龋齿状态时,要对两种状态的概率求和;条件化则固定一种状态,在该切片中观察。两种操作得到不同分布。
在条件独立假设下,已知龋齿状态后,知道探针是否卡住不再为疼痛提供额外信息。这不表示边缘独立,单凭图也不能证明现实中的因果关系。
例子将龋齿状态作为疼痛和探针卡住的父节点。图结构编码了一种假设:给定父节点状态后,这两个结果相互独立。
忽略龋齿状态时,要对两种状态的概率求和;条件化则固定一种状态,在该切片中观察。两种操作得到不同分布。
在条件独立假设下,已知龋齿状态后,知道探针是否卡住不再为疼痛提供额外信息。这不表示边缘独立,单凭图也不能证明现实中的因果关系。
该图编码了假设,即两个子节点(效应)在给定父节点的情况下是条件独立的。这意味着一旦知道了父节点的状态,知道一个子节点的状态就不会提供关于另一个子节点状态的额外信息。
适用条件:模型是具有共同父节点结构的贝叶斯网络。;父节点的状态已被指定(作为条件)。
不会。在条件独立下,一旦知道了父节点的状态,了解一个子节点(例如探针卡住)的状态就不会增加关于另一个子节点(例如疼痛)状态的额外信息。
适用条件:模型表现出给定父节点的条件独立性。;父节点的状态是已知/固定的。
边缘化通过求和将对应于父节点不同状态的概率切片结合起来。相比之下,条件化将父节点固定为某一个特定状态,并仅在该单个切片内检查分布。
适用条件:模型包含具有多种可能状态的父节点。;我们正在计算子节点的分布。