貝葉斯神經(jīng)網(wǎng)絡(luò)，貝葉斯網(wǎng)絡(luò)分類器和神經(jīng)網(wǎng)絡(luò)分類器的區(qū)別

來源：整理時(shí)間：2024-09-23 06:42:31 編輯：智能門戶手機(jī)版

本文目錄一覽

1，貝葉斯網(wǎng)絡(luò)分類器和神經(jīng)網(wǎng)絡(luò)分類器的區(qū)別
2，貝葉斯網(wǎng)絡(luò)模型具體作用舉個(gè)列子說明
3，如何評(píng)價(jià)學(xué)習(xí)出的貝葉斯網(wǎng)絡(luò)模型
4，如何根據(jù)具體實(shí)例建立基于時(shí)間上的貝葉斯網(wǎng)絡(luò)的概率推理
5，貝葉斯網(wǎng)絡(luò)的優(yōu)缺點(diǎn)是什么怎么克服它的缺點(diǎn)
6，貝葉斯公式應(yīng)用實(shí)例

1，貝葉斯網(wǎng)絡(luò)分類器和神經(jīng)網(wǎng)絡(luò)分類器的區(qū)別

貝葉斯分類器由概率統(tǒng)計(jì)得出，和神經(jīng)網(wǎng)絡(luò)都需要經(jīng)過訓(xùn)練得到相應(yīng)的分類的功能，如果非要說區(qū)別的話就是結(jié)構(gòu)上的區(qū)別，神經(jīng)網(wǎng)絡(luò)通過高階級(jí)數(shù)或者幾何空間逼近，無數(shù)多的節(jié)點(diǎn)構(gòu)成了非常復(fù)雜的數(shù)據(jù)相關(guān)性，而貝葉斯分類器則通過每個(gè)模式（事件幾何下）中發(fā)生該事件的概率來反過來推導(dǎo)發(fā)生該這些事件概率后屬于那種模式，理論上神經(jīng)網(wǎng)絡(luò)是連續(xù)系統(tǒng)，貝葉斯不是連續(xù)的，并且貝葉斯不能處理維度間高度相關(guān)性的事件（這就好比 z=ax+by ,但y里又有x的相關(guān)因子，x和y并不獨(dú)立），而神經(jīng)網(wǎng)絡(luò)沒這個(gè)問題。

支持一下感覺挺不錯(cuò)的

貝葉斯網(wǎng)絡(luò)分類器和神經(jīng)網(wǎng)絡(luò)分類器的區(qū)別

2，貝葉斯網(wǎng)絡(luò)模型具體作用舉個(gè)列子說明

貝葉斯網(wǎng)絡(luò)模型最簡(jiǎn)單的例子是“分類器”，即在觀測(cè)節(jié)點(diǎn)輸入多個(gè)特征，就能獲得這些特征所對(duì)應(yīng)的具體事物。例如：一個(gè)箱子里裝有籃球，排球和足球，你的朋友每次從箱子里取出某一個(gè)球。但你看不見所取球的類型，只能通過朋友描述尺寸，外表，顏色等特征（觀測(cè)數(shù)據(jù)）來辨別（分類），當(dāng)然你之所以具備辨別（分類）能力是你長(zhǎng)期對(duì)幾種球類的觀察和認(rèn)識(shí)，并將這些特征一一儲(chǔ)存在你腦部，這就形成先驗(yàn)知識(shí)以及特征與具體事物的對(duì)應(yīng)關(guān)系（網(wǎng)絡(luò)模型結(jié)構(gòu)和參數(shù)）。如果模型和先驗(yàn)知識(shí)精確，你的朋友僅需要說出尺寸或者顏色你就立刻可以分類，如果模型或先驗(yàn)知識(shí)不精確，那朋友就需要多說出幾個(gè)特征你才能辨別。通過上面的例子發(fā)現(xiàn)，貝葉斯網(wǎng)絡(luò)需要學(xué)習(xí)，即通過數(shù)據(jù)進(jìn)行訓(xùn)練，在具有觀測(cè)數(shù)據(jù)時(shí)需要推理。這里就包含了BN的核心研究?jī)?nèi)容。我就不一一介紹，目前全國大約有1200多篇文章都是BN的相關(guān)工作進(jìn)展，看看就知道了。

同問。。。

貝葉斯網(wǎng)絡(luò)模型具體作用舉個(gè)列子說明

3，如何評(píng)價(jià)學(xué)習(xí)出的貝葉斯網(wǎng)絡(luò)模型

第一步:下載貝葉斯網(wǎng)絡(luò)工具箱第二步:解壓壓縮包第三步：將工具箱中bnt文件夾復(fù)制到matlab工具箱文件夾中（D:\Program Files\MATLAB\R2014a\toolbox）第四步：打開matlab2014a貝葉斯網(wǎng)絡(luò)是處理不確定信息做有效的表示方法之一。其關(guān)鍵的特征之一是提供了把整個(gè)概率分布分解成幾個(gè)局部分布的方法，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)表明如何從局部的概率分布獲得完全的聯(lián)合概率分布。貝葉斯網(wǎng)絡(luò)適合于對(duì)領(lǐng)域知識(shí)具有一定了解的情況，至少對(duì)變量間的依賴關(guān)系較清楚。否則直接從數(shù)據(jù)中學(xué)習(xí)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性極高（隨節(jié)點(diǎn)的增加成指數(shù)級(jí)增長(zhǎng)）

貝葉斯網(wǎng)絡(luò)模型最簡(jiǎn)單的例子是“分類器”，即在觀測(cè)節(jié)點(diǎn)輸入多個(gè)特征，就能獲得這些特征所對(duì)應(yīng)的具體事物。例如：一個(gè)箱子里裝有籃球，排球和足球，你的朋友每次從箱子里取出某一個(gè)球。但你看不見所取球的類型，只能通過朋友描述尺寸，外表，顏色等特征（觀測(cè)數(shù)據(jù)）來辨別（分類），當(dāng)然你之所以具備辨別（分類）能力是你長(zhǎng)期對(duì)幾種球類的觀察和認(rèn)識(shí)，并將這些特征一一儲(chǔ)存在你腦部，這就形成先驗(yàn)知識(shí)以及特征與具體事物的對(duì)應(yīng)關(guān)系（網(wǎng)絡(luò)模型結(jié)構(gòu)和參數(shù)）。如果模型和先驗(yàn)知識(shí)精確，你的朋友僅需要說出尺寸或者顏色你就立刻可以分類，如果模型或先驗(yàn)知識(shí)不精確，那朋友就需要多說出幾個(gè)特征你才能辨別。通過上面的例子發(fā)現(xiàn)，貝葉斯網(wǎng)絡(luò)需要學(xué)習(xí)，即通過數(shù)據(jù)進(jìn)行訓(xùn)練，在具有觀測(cè)數(shù)據(jù)時(shí)需要推理。這里就包含了bn的核心研究?jī)?nèi)容。我就不一一介紹，目前全國大約有1200多篇文章都是bn的相關(guān)工作進(jìn)展，看看就知道了。

如何評(píng)價(jià)學(xué)習(xí)出的貝葉斯網(wǎng)絡(luò)模型

4，如何根據(jù)具體實(shí)例建立基于時(shí)間上的貝葉斯網(wǎng)絡(luò)的概率推理

1、貝葉斯網(wǎng)絡(luò)是：一種概率網(wǎng)絡(luò)，它是基于概率推理的圖形化網(wǎng)絡(luò)，而貝葉斯公式則是這個(gè)概率網(wǎng)絡(luò)的基礎(chǔ)。貝葉斯網(wǎng)絡(luò)是基于概率推理的數(shù)學(xué)模型,所謂概率推理就是通過一些變量的信息來獲取其他的概率信息的過程，基于概率推理的貝葉斯網(wǎng)絡(luò)(Bayesian network)是為了解決不定性和不完整性問題而提出的，它對(duì)于解決復(fù)雜設(shè)備不確定性和關(guān)聯(lián)性引起的故障有很的優(yōu)勢(shì)，在多個(gè)領(lǐng)域中獲得廣泛應(yīng)用。2、貝葉斯分類算法是：統(tǒng)計(jì)學(xué)的一種分類方法，它是一類利用概率統(tǒng)計(jì)知識(shí)進(jìn)行分類的算法。在許多場(chǎng)合，樸素貝葉斯(Na?ve Bayes，NB)分類算法可以與決策樹和神經(jīng)網(wǎng)絡(luò)分類算法相媲美，該算法能運(yùn)用到大型數(shù)據(jù)庫中，而且方法簡(jiǎn)單、分類準(zhǔn)確率高、速度快。3、貝葉斯網(wǎng)絡(luò)和貝葉斯分類算法的區(qū)別：由于貝葉斯定理假設(shè)一個(gè)屬性值對(duì)給定類的影響?yīng)毩⒂谄渌鼘傩缘闹担思僭O(shè)在實(shí)際情況中經(jīng)常是不成立的，因此其分類準(zhǔn)確率可能會(huì)下降。為此，就衍生出許多降低獨(dú)立性假設(shè)的貝葉斯分類算法，如TAN(tree augmented Bayes network)算法。貝葉斯分類算法是統(tǒng)計(jì)學(xué)的一種分類方法，它是一類利用概率統(tǒng)計(jì)知識(shí)進(jìn)行分類的算法。在許多場(chǎng)合，樸素貝葉斯(Na?ve Bayes，NB)分類算法可以與決策樹和神經(jīng)網(wǎng)絡(luò)分類算法相媲美，該算法能運(yùn)用到大型數(shù)據(jù)庫中，而且方法簡(jiǎn)單、分類準(zhǔn)確率高、速度快。由于貝葉斯定理假設(shè)一個(gè)屬性值對(duì)給定類的影響?yīng)毩⒂谄渌鼘傩缘闹?，而此假設(shè)在實(shí)際情況中經(jīng)常是不成立的，因此其分類準(zhǔn)確率可能會(huì)下降。為此，就衍生出許多降低獨(dú)立性假設(shè)的貝葉斯分類算法，如TAN(tree augmented Bayes network)算法。

5，貝葉斯網(wǎng)絡(luò)的優(yōu)缺點(diǎn)是什么怎么克服它的缺點(diǎn)

在日常生活中，人們往往進(jìn)行常識(shí)推理，而這種推理通常是不準(zhǔn)確的。例如，你看見一個(gè)頭發(fā)潮濕的人走進(jìn)來，你可能會(huì)認(rèn)為外面下雨了，那你也許錯(cuò)了；如果你在公園里看到一男一女帶著一個(gè)小孩，你可能會(huì)認(rèn)為他們是一家人，你可能也犯了錯(cuò)誤。在工程中，我們也同樣需要進(jìn)行科學(xué)合理的推理。但是，工程實(shí)際中的問題一般都比較復(fù)雜，而且存在著許多不確定性因素。這就給準(zhǔn)確推理帶來了很大的困難。很早以前，不確定性推理就是人工智能的一個(gè)重要研究領(lǐng)域。盡管許多人工智能領(lǐng)域的研究人員引入其它非概率原理，但是他們也認(rèn)為在常識(shí)推理的基礎(chǔ)上構(gòu)建和使用概率方法也是可能的。為了提高推理的準(zhǔn)確性，人們引入了概率理論。最早由Judea Pearl于1988年提出的貝葉斯網(wǎng)絡(luò)實(shí)質(zhì)(Bayesian Network)上就是一種基于概率的不確定性推理網(wǎng)絡(luò)。它是用來表示變量集合連接概率的圖形模型，提供了一種表示因果信息的方法。當(dāng)時(shí)主要用于處理人工智能中的不確定性信息。隨后它逐步成為了處理不確定性信息技術(shù)的主流，并且在計(jì)算機(jī)智能科學(xué)、工業(yè)控制、醫(yī)療診斷等領(lǐng)域的許多智能化系統(tǒng)中得到了重要的應(yīng)用。貝葉斯理論是處理不確定性信息的重要工具。作為一種基于概率的不確定性推理方法，貝葉斯網(wǎng)絡(luò)在處理不確定信息的智能化系統(tǒng)中已得到了重要的應(yīng)用，已成功地用于醫(yī)療診斷、統(tǒng)計(jì)決策、專家系統(tǒng)等領(lǐng)域。這些成功的應(yīng)用，充分體現(xiàn)了貝葉斯網(wǎng)絡(luò)技術(shù)是一種強(qiáng)有力的不確定性推理方法。有關(guān)貝葉斯網(wǎng)絡(luò)的站點(diǎn)： 1、http://www.cs.berkeley.edu/~murphyk/Bayes/bayes.html 2、http://www.bayesian.org/ 3、http://www.bayes.com/ 4、http://www.bayesinf.com/ 5、http://xxx.lanl.gov/archive/bayes-an/

6，貝葉斯公式應(yīng)用實(shí)例

寫作話題: 貝葉斯預(yù)測(cè)模型在礦物含量預(yù)測(cè)中的應(yīng)用貝葉斯預(yù)測(cè)模型在氣溫變化預(yù)測(cè)中的應(yīng)用貝葉斯學(xué)習(xí)原理及其在預(yù)測(cè)未來地震危險(xiǎn)中的應(yīng)用基于稀疏貝葉斯分類器的汽車車型識(shí)別信號(hào)估計(jì)中的貝葉斯方法及應(yīng)用貝葉斯神經(jīng)網(wǎng)絡(luò)在生物序列分析中的應(yīng)用基于貝葉斯網(wǎng)絡(luò)的海上目標(biāo)識(shí)別貝葉斯原理在發(fā)動(dòng)機(jī)標(biāo)定中的應(yīng)用貝葉斯法在繼電器可靠性評(píng)估中的應(yīng)用相關(guān)書籍: Arnold Zellner 《Bayesian Econometrics: Past, Present and Future》Springer 《貝葉斯決策》黃曉榕《經(jīng)濟(jì)信息價(jià)格評(píng)估以及貝葉斯方法的應(yīng)用》張麗 , 閆善文 , 劉亞東《全概率公式與貝葉斯公式的應(yīng)用及推廣》周麗琴《貝葉斯均衡的應(yīng)用》王輝 , 張劍飛 , 王雙成《基于預(yù)測(cè)能力的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)》張旭東 , 陳鋒 , 高雋 , 方廷健《稀疏貝葉斯及其在時(shí)間序列預(yù)測(cè)中的應(yīng)用》鄒林全《貝葉斯方法在會(huì)計(jì)決策中的應(yīng)用》周麗華《市場(chǎng)預(yù)測(cè)中的貝葉斯公式應(yīng)用》夏敏軼 , 張焱《貝葉斯公式在風(fēng)險(xiǎn)決策中的應(yīng)用》臧玉衛(wèi) , 王萍 , 吳育華《貝葉斯網(wǎng)絡(luò)在股指期貨風(fēng)險(xiǎn)預(yù)警中的應(yīng)用》黨佳瑞 , 胡杉杉 , 藍(lán)伯雄《基于貝葉斯決策方法的證券歷史數(shù)據(jù)有效性分析》肖玉山 , 王海東《無偏預(yù)測(cè)理論在經(jīng)驗(yàn)貝葉斯分析中的應(yīng)用》嚴(yán)惠云 , 師義民《Linex損失下股票投資的貝葉斯預(yù)測(cè)》卜祥志 , 王紹綿 , 陳文斌 , 余貽鑫 , 岳順民《貝葉斯拍賣定價(jià)方法在配電市場(chǎng)定價(jià)中的應(yīng)用》劉嘉焜 , 范貽昌 , 劉波《分整模型在商品價(jià)格預(yù)測(cè)中的應(yīng)用》《Bayes方法在經(jīng)營(yíng)決策中的應(yīng)用》《決策有用性的信息觀》《統(tǒng)計(jì)預(yù)測(cè)和決策課件》《貝葉斯經(jīng)濟(jì)時(shí)間序列預(yù)測(cè)模型及其應(yīng)用研究》《貝葉斯統(tǒng)計(jì)推斷》《決策分析理論與實(shí)務(wù)》

貝葉斯公式貝葉斯公式貝葉斯定理由英國數(shù)學(xué)家貝葉斯 ( thomas bayes 1702-1761 ) 發(fā)展，用來描述兩個(gè)條件概率之間的關(guān)系，比如 p(a|b) 和 p(b|a)。按照乘法法則：p(a∩b)=p(a)*p(b|a)=p(b)*p(a|b)，可以立刻導(dǎo)出貝葉斯定理公式：p(a|b)=p(b|a)*p(a)/p(b) 如上公式也可變形為：p(b|a)=p(a|b)*p(b)/p(a) 例如：一座別墅在過去的 20 年里一共發(fā)生過 2 次被盜，別墅的主人有一條狗，狗平均每周晚上叫 3 次，在盜賊入侵時(shí)狗叫的概率被估計(jì)為 0.9，問題是：在狗叫的時(shí)候發(fā)生入侵的概率是多少？我們假設(shè) a 事件為狗在晚上叫，b 為盜賊入侵，則 p(a) = 3 / 7，p(b)=2/(20·365)=2/7300，p(a | b) = 0.9，按照公式很容易得出結(jié)果：p(b|a)=0.9*(2/7300)*(7/3)=0.00058 另一個(gè)例子，現(xiàn)分別有 a，b 兩個(gè)容器，在容器 a 里分別有 7 個(gè)紅球和 3 個(gè)白球，在容器 b 里有 1 個(gè)紅球和 9 個(gè)白球，現(xiàn)已知從這兩個(gè)容器里任意抽出了一個(gè)球，且是紅球，問這個(gè)紅球是來自容器 a 的概率是多少? 假設(shè)已經(jīng)抽出紅球?yàn)槭录?b，從容器 a 里抽出球?yàn)槭录?a，則有：p(b) = 8 / 20，p(a) = 1 / 2，p(b | a) = 7 / 10，按照公式，則有：p(a|b)=(7 / 10)*(1 / 2)*(20/8)=7/8 貝葉斯公式為利用搜集到的信息對(duì)原有判斷進(jìn)行修正提供了有效手段。在采樣之前，經(jīng)濟(jì)主體對(duì)各種假設(shè)有一個(gè)判斷（先驗(yàn)概率），關(guān)于先驗(yàn)概率的分布，通?？筛鶕?jù)經(jīng)濟(jì)主體的經(jīng)驗(yàn)判斷確定(當(dāng)無任何信息時(shí)，一般假設(shè)各先驗(yàn)概率相同)，較復(fù)雜精確的可利用包括最大熵技術(shù)或邊際分布密度以及相互信息原理等方法來確定先驗(yàn)概率分布。