(《机器学习》完整版系列)第7章 贝叶斯分类器——7.6 贝叶斯网(也称信念网)结构(网络结构也是“超参数”)、贝叶斯图络学习(两级搜索法)

本文主要是介绍(《机器学习》完整版系列)第7章 贝叶斯分类器——7.6 贝叶斯网(也称信念网)结构(网络结构也是“超参数”)、贝叶斯图络学习(两级搜索法),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

贝叶斯网是关于属性的,有向线表示“依赖”性的父子关系;通过属性的条件概率表CPT来描述。
有向图转化为无向图:让两亲联姻(连接两结点),称为道德化。
网络结构也是“超参数”,如何选择该“超参数”?
贝叶斯图络学习:两级搜索法

贝叶斯网结构

贝叶斯网(也称信念网)记为 B = < G , Θ > B=<G,\Theta > B=<G,Θ>

  • 结构 G G G:是一个有向无环图DAG,每个结点对应于一个属性(记住:贝叶斯网是关于属性的,不少同学错记成关于样本的),有向线表示“依赖”性的父子关系;
  • 参数 Θ \Theta Θ:是属性的条件概率表CPT,表中的项为
    θ x i ∣ π i = P B ( x i ∣ π i ) \begin{align} {\theta}_{x_i\,|\,{\pi}_i } =P_B(x_i\,|\,{\pi}_i ) \tag{7.39} \end{align} θxiπi=PB(xiπi)(7.39)
    其中, π i {\pi}_i πi x i x_i xi的父结点集,概率符号 P B P_B PB的下标表示是在网结 B B B中。

假定每个属性与其非后裔属性独立,
由此定义属性的联合分布为
P B ( x 1 , x 2 , ⋯ , x d ) = ∏ i = 1 d P B ( x i ∣ π i ) = ∏ i = 1 d θ x i ∣ π i \begin{align} P_B(x_1, x_2,\cdots,x_d) & =\mathop{\prod }\limits_{i=1}^dP_B(x_i\,|\,{\pi}_i ) \tag{7.40} \\ & =\mathop{\prod }\limits_{i=1}^d {\theta}_{x_i\,|\,{\pi}_i } \tag{7.41} \end{align} PB(x1,x2,,xd)=i=1dPB(xiπi)=i=1dθxiπi(7.40)(7.41)
其中, θ x i ∣ π i {\theta}_{x_i\,|\,{\pi}_i } θxiπi需要查表,而表有时不是直接给出的,要通过对数据集 D D D中的样本情况进行分门别类地“计数”统计,计算频率来估计的。

【西瓜书图7.3】描述了贝叶斯网中三种依赖关系,并讨论了独立性。

给定一个结点的值,相当于把这个结点染上了黑色(即不能再变化),以此技巧来思考“给定结点值”的情况,则易于理解,如下以生物学的例子来增强记忆。

如图7.1所示, V V V型结构是双性繁殖( V V V型结构的记忆口诀:自由恋爱好独立,奉子成婚难独立)\tacg{ch7:marr},当 x 1 , x 2 x_1,x_2 x1,x2的孩子 x 3 x_3 x3的肤色性状已经确定(如,黑白混血小孩),那么,当 x 1 x_1 x1为白人时, x 2 x_2 x2应为黑人,反之亦然。 故孩子 x 3 x_3 x3的性状给定时,双亲 x 1 x_1 x1 x 2 x_2 x2的性状不独立。
图7.1 V型结构

图7.1 V型结构

V V V型结构中, x 1 x_1 x1 x 2 x_2 x2可以“自由恋爱”(即独立)生出孩子 x 3 x_3 x3。 即在不给定“共子” x 3 x_3 x3的值时,其父母 x 1 , x 2 x_1,x_2 x1,x2是独立的,
理论上由【西瓜书式(7.27)】所验证,称为边际独立,记为 x 1 ⊥ ⁣ ⁣ ⁣ ⊥ x 2 x_1 \perp \!\!\! \perp x_2 x1x2
注:求和符号起边际化的作用,就像在二维表中,对行(或列)求和(即通常的小计),写到最右“边”(边上加一列)(或最下“边”(加一行))中。

如图7.2左侧所示,在同父结构中,若父 x 1 x_1 x1已知(父 x 1 x_1 x1被染黑色)时,单性繁殖了两兄弟 x 2 x_2 x2 x 3 x_3 x3,影响两兄弟特质变化的外因 x 1 x_1 x1已定,即已体现在两兄弟身上了,不再变化,而再变化的是各自的内因,内因引起的变化当然是独立的。 即变化是条件独立(记忆口诀:单性繁殖两兄弟,内因变化是独立,条件是外因已一致),记为 x 2 ⊥ x 3 ∣ x 1 x_2\, \bot \, x_3\, |\, x_1 x2x3x1
在这里插入图片描述

图7.2 同父结构

如图7.2右侧所示,在同父结构中,若父 x 1 x_1 x1未知(父 x 1 x_1 x1未被染色)时,则
P ( x 2 , x 3 ) = ∑ x 1 P ( x 1 , x 2 , x 3 ) = ∑ x 1 P ( x 1 ) P ( x 2 ∣ x 1 ) P ( x 3 ∣ x 1 , x 2 ) ≠ ∑ x 1 P ( x 1 ) P ( x 2 ∣ x 1 ) P ( x 3 ) = P ( x 3 ) ∑ x 1 P ( x 1 ) P ( x 2 ∣ x 1 ) = P ( x 3 ) ∑ x 1 P ( x 1 , x 2 ) = P ( x 3 ) P ( x 2 ) \begin{align} P(x_2,x_3) & =\sum_{x_1}P(x_1,x_2,x_3)\notag \\ & =\sum_{x_1}P(x_1)P(x_2\,|\,x_1)P(x_3\,|\, x_1,x_2)\notag \\ & \neq \sum_{x_1}P(x_1)P(x_2\,|\,x_1)P(x_3)\notag \\ & = P(x_3)\sum_{x_1}P(x_1)P(x_2\,|\,x_1)\notag \\ & =P(x_3)\sum_{x_1}P(x_1,x_2)\notag \\ & =P(x_3)P(x_2) \tag{7.42} \end{align} P(x2,x3)=x1P(x1,x2,x3)=x1P(x1)P(x2x1)P(x3x1,x2)=x1P(x1)P(x2x1)P(x3)=P(x3)x1P(x1)P(x2x1)=P(x3)x1P(x1,x2)=P(x3)P(x2)(7.42)
不等式(7.42)表明此时 x 2 x_2 x2 x 3 x_3 x3不独立,称为 x 2 x_2 x2 x 3 x_3 x3关于 x 1 x_1 x1的边际独立不成立。

按如下方法将有向图转化为无向图:

  • V V V型结构,让两亲联姻(连接两结点),称为道德化(哈哈,孩子都有了,结婚吧!);
  • 将所有有向边改为无向边;

这样生成的图称为道德图。

在道德图中,若去掉一些结点(结点集 z \mathbf{z} z)后,使得结点 x x x y y y不再连通,则称 x x x y y y z \mathbf{z} z有向分离(注:这里"directed"翻译成了“有向”,若翻译成“受控的”,则为“受控分离”,这更贴切),记为: x ⊥ y ∣ z x\, \bot \, y\, |\, \mathbf{z} xyz,即在 z \mathbf{z} z的控制下, x x x y y y独立。 当集合 z \mathbf{z} z退化成一个结点 z z z时,即为前述的条件独立: x ⊥ y ∣ z x\, \bot \, y\, |\, z xyz

贝叶斯图络学习

当网络结构已知时(即有向图的父子关系已知),则训练分类器的步骤为

  • 通过对训练集 D D D中的样本分门别类地“计数”,统计出条件概率表CPT;
  • 由【西瓜书式(7.26)】得到属性的联合概率分布 P ( x ) P(\boldsymbol{x}) P(x) P ( x , c ) P(\boldsymbol{x},c) P(x,c)
  • 由【西瓜书式(7.7)】求得 P ( c ∣ x ) P(c\,|\,\boldsymbol{x}) P(cx)
  • 最后由【西瓜书式(7.6)】得到学习器 h ∗ ( x ) h^*(\boldsymbol{x}) h(x)

然而,在现实中,通常不知道网络结构,只有训练集 D D D的数据,这时,将网络结构视为“超参数”。 下面讨论如何选择该“超参数”:

(1)先给定对网络结构评价的偏好,如,最小描述长度(MDL),即找一个能以“最短编码长度”契合训练数据的模型:

  • 契合训练数据指应符合极大似然法的要求,即 max ⁡ L L ( B ∣ D ) \max \mathrm{LL}(B\,|\,D) maxLL(BD)
  • 贝叶斯网络 B B B的规模 ∣ B ∣ |\, B\, | B(即参数 θ \theta θ的个数),设描述一个参数 θ \theta θ的编码长度为 f ( θ ) f(\theta ) f(θ),则应要求 min ⁡ f ( θ ) ∣ B ∣ \min f(\theta )|\, B\, | minf(θ)B

由上述两点即可构造出一个评分函数(以求 min ⁡ \min min为目标)
s ( B ∣ D ) = f ( θ ) ∣ B ∣ − L L ( B ∣ D ) \begin{align} s(B\,|\,D)=f(\theta )|\, B\, |-\mathrm{LL}(B\,|\,D) \tag{7.43} \end{align} s(BD)=f(θ)BLL(BD)(7.43)

针对式(7.43)中的第一项,我们看三种特殊情况:

  • f ( θ ) = 1 f(\theta )=1 f(θ)=1,得到评分函数AIC【西瓜书式(7.30)】;
  • f ( θ ) = 1 2 log ⁡ m f(\theta )=\frac{1}{2}{\log} m f(θ)=21logm,得到评分函数BIC【西瓜书式(7.31)】;
  • f ( θ ) = 0 f(\theta )=0 f(θ)=0,则评分函数退化为(负)极大似然估计。

针对式(7.43)中的第二项,我们进行分解
L L ( B ∣ D ) = log ⁡ P ( D ∣ B ) (对数似然) = log ⁡ P B ( D ) (为明确起见,换个概率符号) = log ⁡ P B ( x 1 , x 2 , ⋯ , x m ) ( x i 为样本) = log ⁡ ∏ i = 1 m P B ( x i ) (由样本的独立性) = ∑ i = 1 m log ⁡ P B ( x i ) \begin{align} \mathrm{LL}(B\,|\,D) & ={\log} P(D\,|\,B)\qquad \text{(对数似然)}\notag \\ & ={\log} P_B(D)\qquad \text{(为明确起见,换个概率符号)}\notag \\ & ={\log} P_B(\boldsymbol{x}_1,\boldsymbol{x}_2,\cdots,\boldsymbol{x}_m)\quad \text{($\boldsymbol{x}_i$为样本)}\notag \\ & ={\log} \mathop{\prod}\limits_{i=1}^m P_B(\boldsymbol{x}_i)\quad \text{(由样本的独立性)}\notag \\ & =\mathop{\sum}\limits_{i=1}^m {\log} P_B(\boldsymbol{x}_i)\tag{7.44} \end{align} LL(BD)=logP(DB)(对数似然)=logPB(D)(为明确起见,换个概率符号)=logPB(x1,x2,,xm)xi为样本)=logi=1mPB(xi)(由样本的独立性)=i=1mlogPB(xi)(7.44)
P B ( x i ) = P B ( x i 1 , x i 2 , ⋯ , x i d ) = ∏ k = 1 m θ x i k ∣ π k (由式(7.41),下标改为上标 k ) \begin{align} \quad P_B(\boldsymbol{x}_i) & =P_B(\boldsymbol{x}_i^1,\boldsymbol{x}_i^2,\cdots,\boldsymbol{x}_i^d)\notag \\ & =\mathop{\prod}\limits_{k=1}^m{\theta}_{x_i^k\,|\,{\pi }^k}\quad \text{(由式(7.41),下标改为上标$k$)}\tag{7.45} \end{align} PB(xi)=PB(xi1,xi2,,xid)=k=1mθxikπk(由式(7.41),下标改为上标k(7.45)
其中, θ x i k ∣ π k = P B ( x i k ∣ π k ) {\theta}_{x_i^k\,|\,{\pi }^k}=P_B({x_i^k\,|\,{\pi }^k}) θxikπk=PB(xikπk),下标表示样本编号,上标表示属性编号, π k {\pi }^k πk为第 k k k个属性的父结点集(与样本无关,故它不带下标)。

B B B不知,而 D D D已知, B B B要求契合于 D D D,故应
θ x i k ∣ π k = P ^ D ( x i k ∣ π k ) \begin{align} {\theta}_{x_i^k\,|\,{\pi }^k}=\hat{P}_D({x_i^k\,|\,{\pi }^k}) \tag{7.46} \end{align} θxikπk=P^D(xikπk)(7.46)
其中,右侧为 D D D上的经验分布,它可通过对 D D D中的样本进行分门别类地“计数”,统计频率来估算。

问题又来了: π k {\pi }^k πk并不知道,无从“分门别类”。 也说是说:只有在 k k k属性结点之父 π k {\pi }^k πk确定了,才可依上述讨论求出 s ( B ∣ D ) s(B\,|\,D) s(BD)

综上, max ⁡ L L ( B ∣ D ) \max \mathrm{LL}(B\,|\,D) maxLL(BD)变为一个“两级搜索”问题:

  • 第一级:试不同的网络结构:找一个网络结构 G G G。 网络结点(样本属性)已知,但边的情况是部分已知,部分未知,通常根据领域知识以及偏好,将网络结构限定为某种特殊的结构(如,树形结构),称为约束法。
  • 第二级:调整有向边:在这个网络结构中,试不同的 π k {\pi }^k πk(父子关系)来调整网络。 采用贪心法:每次调整一条边(增边,减边,调边的方向),若 s ( B ∣ D ) s(B\,|\,D) s(BD)降低,则接受该调整。 继续调整,直到 s ( B ∣ D ) s(B\,|\,D) s(BD)不再降低或搜索完或达到某设定的停机条件为止。

通过两级搜索得到最优贝叶斯网络 B ∗ B^* B,最优贝叶斯网络 B ∗ B^* B体现为: 结构 G G G(部分超参数+搜索其他参数)+一组条件概率表CPT(参数 Θ \Theta Θ),如【西瓜书图7.2】所示。

本文为原创,您可以:

  • 点赞(支持博主)
  • 收藏(待以后看)
  • 转发(他考研或学习,正需要)
  • 评论(或讨论)
  • 引用(支持原创)
  • 不侵权

上一篇:7.5 特殊的半朴素贝叶斯分类器(SPODE、TAN、AODE,研究特殊的“父子”关系)
下一篇:7.7 贝叶斯网络分类器(分类可视为一种特殊的查询)、贝叶斯网络推断(查询一组结点称为“推断”)

这篇关于(《机器学习》完整版系列)第7章 贝叶斯分类器——7.6 贝叶斯网(也称信念网)结构(网络结构也是“超参数”)、贝叶斯图络学习(两级搜索法)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/477329

相关文章

使用Java实现通用树形结构构建工具类

《使用Java实现通用树形结构构建工具类》这篇文章主要为大家详细介绍了如何使用Java实现通用树形结构构建工具类,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录完整代码一、设计思想与核心功能二、核心实现原理1. 数据结构准备阶段2. 循环依赖检测算法3. 树形结构构建4. 搜索子

利用Python开发Markdown表格结构转换为Excel工具

《利用Python开发Markdown表格结构转换为Excel工具》在数据管理和文档编写过程中,我们经常使用Markdown来记录表格数据,但它没有Excel使用方便,所以本文将使用Python编写一... 目录1.完整代码2. 项目概述3. 代码解析3.1 依赖库3.2 GUI 设计3.3 解析 Mark

Vue中组件之间传值的六种方式(完整版)

《Vue中组件之间传值的六种方式(完整版)》组件是vue.js最强大的功能之一,而组件实例的作用域是相互独立的,这就意味着不同组件之间的数据无法相互引用,针对不同的使用场景,如何选择行之有效的通信方式... 目录前言方法一、props/$emit1.父组件向子组件传值2.子组件向父组件传值(通过事件形式)方

一文带你了解SpringBoot中启动参数的各种用法

《一文带你了解SpringBoot中启动参数的各种用法》在使用SpringBoot开发应用时,我们通常需要根据不同的环境或特定需求调整启动参数,那么,SpringBoot提供了哪些方式来配置这些启动参... 目录一、启动参数的常见传递方式二、通过命令行参数传递启动参数三、使用 application.pro

基于@RequestParam注解之Spring MVC参数绑定的利器

《基于@RequestParam注解之SpringMVC参数绑定的利器》:本文主要介绍基于@RequestParam注解之SpringMVC参数绑定的利器,具有很好的参考价值,希望对大家有所帮助... 目录@RequestParam注解:Spring MVC参数绑定的利器什么是@RequestParam?@

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

SpringBoot接收JSON类型的参数方式

《SpringBoot接收JSON类型的参数方式》:本文主要介绍SpringBoot接收JSON类型的参数方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、jsON二、代码准备三、Apifox操作总结一、JSON在学习前端技术时,我们有讲到过JSON,而在

JAVA虚拟机中 -D, -X, -XX ,-server参数使用

《JAVA虚拟机中-D,-X,-XX,-server参数使用》本文主要介绍了JAVA虚拟机中-D,-X,-XX,-server参数使用,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录一、-D参数二、-X参数三、-XX参数总结:在Java开发过程中,对Java虚拟机(JVM)的启动参数进

Python使用DeepSeek进行联网搜索功能详解

《Python使用DeepSeek进行联网搜索功能详解》Python作为一种非常流行的编程语言,结合DeepSeek这一高性能的深度学习工具包,可以方便地处理各种深度学习任务,本文将介绍一下如何使用P... 目录一、环境准备与依赖安装二、DeepSeek简介三、联网搜索与数据集准备四、实践示例:图像分类1.

解读docker运行时-itd参数是什么意思

《解读docker运行时-itd参数是什么意思》在Docker中,-itd参数组合用于在后台运行一个交互式容器,同时保持标准输入和分配伪终端,这种方式适合需要在后台运行容器并保持交互能力的场景... 目录docker运行时-itd参数是什么意思1. -i(或 --interactive)2. -t(或 --