From 0fc433a331db3f544d4da01bc4235b074b52382f Mon Sep 17 00:00:00 2001 From: camera-2018 <2907618001@qq.com> Date: Sat, 6 May 2023 23:14:27 +0800 Subject: [PATCH] fix: 4.3.3 latex --- 4.人工智能/4.3.3不确定性问题.md | 716 ++-------------------- 1 file changed, 66 insertions(+), 650 deletions(-) diff --git a/4.人工智能/4.3.3不确定性问题.md b/4.人工智能/4.3.3不确定性问题.md index bbfb314..d3362bc 100644 --- a/4.人工智能/4.3.3不确定性问题.md +++ b/4.人工智能/4.3.3不确定性问题.md @@ -18,9 +18,9 @@ - 一般来说，值越高，事件发生的可能性就越大。 - 每一个可能发生的事件的概率加在一起等于 1。 -$$ +$ \sum_{\omega\in\Omega}P(\omega)=1 -$$ +$ - 用标准骰子掷出数字 R 的概率可以表示为 $P(R)$ 。在我们的例子中，$P(R)=1/6$ ，因为有六个可能的世界（从 1 到 6 的任何数字），并且每个世界有相同的可能性发生。现在，考虑掷两个骰子的事件。现在，有 36 个可能的事件，同样有相同的可能性发生。 @@ -30,20 +30,7 @@ $$ ![](static/Y8EbbcnUsoHHlFxHCrGcIUDNn0f.png) -- 为了得到事件发生的概率，我们将事件发生的世界数量除以可能发生的世界总数。例如，当掷两个骰子时，有 36 个可能的世界。只有在其中一个世界中，当两个骰子都得到 6 时，我们才能得到 12 的总和。因此， - $$ - P(12)＝\frac{1}{36} - $$ - - ，或者，换句话说，掷两个骰子并得到两个和为 12 的数字的概率是 - $$ - \frac{1}{36} - $$。 - $P(7)$是多少？我们数了数，发现和 7 出现在 6 个世界中。因此， - $$ - P(7)＝\frac{6}{36}＝\frac{1}{6} - $$ - 。 +- 为了得到事件发生的概率，我们将事件发生的世界数量除以可能发生的世界总数。例如，当掷两个骰子时，有 36 个可能的世界。只有在其中一个世界中，当两个骰子都得到 6 时，我们才能得到 12 的总和。因此，$P(12)＝\frac{1}{36}$，或者，换句话说，掷两个骰子并得到两个和为 12 的数字的概率是$\frac{1}{36}$。$P(7)$是多少？我们数了数，发现和 7 出现在 6 个世界中。因此，$P(7)＝\frac{6}{36}＝\frac{1}{6}$。 ### 无条件概率(Unconditional Probability) @@ -56,9 +43,9 @@ $$ - 在数学上，为了计算给定$b$的条件概率，我们使用公式：$P(a|b)=\frac{P(a\land b)}{P(b)}$ - 换句话说，给定$b$为真的概率等于$a$并且$b$为真，除以$b$的概率。对此进行推理的一种直观方式是认为“我们对$a$并且$b$都为真的事件（分子）感兴趣，但只对我们知道$b$为真（分母）的世界感兴趣。“除以 $b$ 将可能的世界限制在 $b$ 为真的世界。以下是上述公式的代数等价形式： -$$P(a\land b)=P(b)P(a|b)$$ +$P(a\land b)=P(b)P(a|b)$ -$$P(a\land b)=P(a)P(b|a)$$ +$P(a\land b)=P(a)P(b|a)$ - 例如，考虑$P(总和为12|在一个骰子上掷出6)$，或者掷两个骰子假设我们已经掷了一个骰子并获得了六，得到十二的概率。为了计算这一点，我们首先将我们的世界限制在第一个骰子的值为六的世界： @@ -73,11 +60,11 @@ $$P(a\land b)=P(a)P(b|a)$$ - 随机变量是概率论中的一个变量，它有一个可能取值的域。例如，为了表示掷骰子时的可能结果，我们可以定义一个随机变量 Roll，它可以取值$\set{0，1，2，3，4，5，6}$。为了表示航班的状态，我们可以定义一个变量 flight，它采用$\set{准时、延迟、取消}$的值。 - 通常，我们对每个值发生的概率感兴趣。我们用概率分布来表示这一点。例如： -$$P(Flight=准时)=0.6$$ +$P(Flight=准时)=0.6$ -$$P(Flight=延迟)=0.3$$ +$P(Flight=延迟)=0.3$ -$$P(Flight=取消)=0.1$$ +$P(Flight=取消)=0.1$ - 用文字来解释概率分布，这意味着航班准时的可能性为 60%，延误的可能性为 30%，取消的可能性为 10%。注意，如前所述，所有可能结果的概率之和为 1。 - 概率分布可以更简洁地表示为向量。例如，$P(Flight)=<0.6，0.3，0.1>$。为了便于解释，这些值有一个固定的顺序（在我们的情况下，准时、延迟、取消）。 @@ -89,443 +76,54 @@ $$P(Flight=取消)=0.1$$ ## 贝叶斯规则(Bayes’ Rule) -- 贝叶斯规则在概率论中常用来计算条件概率。换句话说，贝叶斯规则说，给定 - $$ - b$$条件下 - $$ +- 贝叶斯规则在概率论中常用来计算条件概率。换句话说，贝叶斯规则说，给定$b$条件下$a$的概率等于给定$a$的条件下$b$概率，乘以$b$的概率除以$a$ 的概率。 +- $P(b|a)=\frac{P(a|b)P(b)}{P(a)}$ +- 例如，如果早上有云，我们想计算下午下雨的概率，或者$P(雨|云)$。我们从以下信息开始： - a - $$ - 的概率等于给定 - $$ - - a - $$ - 的条件下 - $$ - - b - $$ - 概率，乘以 - $$ - - b - $$ - 的概率除以 - $$ - - a$$ 的概率。 -- $$ - P(b|a)=\frac{P(a|b)P(b)}{P(a)} - $$ -- 例如，如果早上有云，我们想计算下午下雨的概率，或者 - $$ - P(雨|云) - $$ - - 。我们从以下信息开始： - - - 80% 的雨天下午开始于多云的早晨，或 - $$ - P(云|雨) - $$ - - 。 - - 40% 的日子早晨多云，或 - $$ - P(云) - $$ - - 。 - - 10% 的日子有下雨的下午，或 - $$ - P(雨) - $$ - - 。 -- 应用贝叶斯规则，我们计算 - $$ - \frac{0.8*0.1}{0.4}=0.2 - $$ - - 。也就是说，考虑到早上多云，下午下雨的可能性是 20%。 -- 除了 - $$ - P(a) - $$ - - 和 - $$ - P(b) - $$ - - 之外，知道 - $$ - P(a|b) - $$ - - 还允许我们计算 - $$ - P(b|a) - $$ - - 。这是有帮助的，因为知道给定未知原因的可见效应的条件概率 - $$ - P(可见效应|未知原因) - $$ - - ，可以让我们计算给定可见效应的未知原因的概率 - $$ - P(未知原因|可见效应) - $$ - - 。例如，我们可以通过医学试验来学习 - $$ - P(医学测试结果|疾病) - $$ - - ，在医学试验中，我们对患有该疾病的人进行测试，并观察测试结果发生的频率。知道了这一点，我们就可以计算出 - $$ - P(疾病|医学检测结果) - $$ - - ，这是有价值的诊断信息。 + - 80% 的雨天下午开始于多云的早晨，或$P(云|雨)$。 + - 40% 的日子早晨多云，或$P(云)$。 + - 10% 的日子有下雨的下午，或$P(雨)$。 +- 应用贝叶斯规则，我们计算$\frac{0.8*0.1}{0.4}=0.2$。也就是说，考虑到早上多云，下午下雨的可能性是 20%。 +- 除了$P(a)$和$P(b)$之外，知道$P(a|b)$还允许我们计算$P(b|a)$。这是有帮助的，因为知道给定未知原因的可见效应的条件概率$P(可见效应|未知原因)$，可以让我们计算给定可见效应的未知原因的概率$P(未知原因|可见效应)$。例如，我们可以通过医学试验来学习$P(医学测试结果|疾病)$，在医学试验中，我们对患有该疾病的人进行测试，并观察测试结果发生的频率。知道了这一点，我们就可以计算出$P(疾病|医学检测结果)$，这是有价值的诊断信息。 ## 联合概率(Joint Probability) - 联合概率是指多个事件全部发生的可能性。 - 让我们考虑下面的例子，关于早上有云，下午有雨的概率。 -| C=云 | C= -$$ -\lnot -$$ +| C=云 | C=$\lnot$云 | +| ---- | ----------- | +| 0.4 | 0.6 | -| 云 | -| --- | --- | -| 0.4 | 0.6 | - -| R=雨 | R= -$$ -\lnot -$$ - -| 雨 | -| --- | --- | -| 0.1 | 0.9 | +| R=雨 | R=$\lnot$雨 | +| ---- | ----------- | +| 0.1 | 0.9 | - 从这些数据来看，我们无法判断早上的云是否与下午下雨的可能性有关。为了做到这一点，我们需要看看这两个变量所有可能结果的联合概率。我们可以将其表示在下表中： -| | R=雨 | R= -$$ -\lnot -$$ - -| 雨 | -| ---- | ---- | ---- | -| C=云 | 0.08 | 0.32 | -| C= | -$$ -\lnot -$$ - -云 | 0.02 | 0.58 | +| | R=雨 | R=$\lnot$ 雨 | +| ----------- | ---- | ------------ | +| C=云 | 0.08 | 0.32 | +| C=$\lnot$云 | 0.02 | 0.58 | - 现在我们可以知道有关这些事件同时发生的信息了。例如，我们知道某一天早上有云，下午有雨的概率是 0.08。早上没有云，下午没有雨的概率是 0.58。 -- 使用联合概率，我们可以推导出条件概率。例如，如果我们感兴趣的是在下午下雨的情况下，早上云层的概率分布。 - $$ - P(C|雨)=\frac{P(C，雨)}{P(雨)} - $$ - - （旁注：在概率上，逗号和 - $$ - ∧ - $$ - - 可以互换使用。因此， - $$ - P(C,雨)=P(C\land 雨) - $$ - - 。换句话说，我们将降雨和云层的联合概率除以降雨的概率。 -- 在最后一个方程中，可以将 - $$ - P(雨) - $$ - - 视为 - $$ - P(C,雨) - $$ - - 乘以的某个常数 - $$ - \alpha=\frac{1}{P(雨)} - $$ - - 。因此，我们可以重写 - $$ - P(C|雨)=\frac{P(C,雨)}{P(雨)}=αP(C,雨) - $$ - - ，或 - $$ - α<0.08,0.02>=<0.8,0.2> - $$ - - 。考虑到下午有雨，将 - $$ - α - $$ - - 分解后，我们可以得到 C 的可能值的概率比例。也就是说，如果下午有雨，那么早上有云和早上没有云的概率的比例是 - $$ - 0.08:0.02 - $$ - - 。请注意，0.08 和 0.02 的总和不等于 1；然而，由于这是随机变量 C 的概率分布，我们知道它们应该加起来为 1。因此，我们需要通过计算 - $$ - α - $$ - - 来归一化这些值，使得 - $$ - α0.08+α0.02=1 - $$ - - 。最后，我们可以说 - $$ - P(C|雨)=<0.8,0.2> - $$ - - 。 +- 使用联合概率，我们可以推导出条件概率。例如，如果我们感兴趣的是在下午下雨的情况下，早上云层的概率分布。$P(C|雨)=\frac{P(C，雨)}{P(雨)}$旁注：在概率上，逗号和$∧$可以互换使用。因此，$P(C,雨)=P(C\land 雨)$。换句话说，我们将降雨和云层的联合概率除以降雨的概率。 +- 在最后一个方程中，可以将$P(雨)$视为$P(C,雨)$乘以的某个常数$\alpha=\frac{1}{P(雨)}$。因此，我们可以重写$P(C|雨)=\frac{P(C,雨)}{P(雨)}=αP(C,雨)$，或$α<0.08,0.02>=<0.8,0.2>$。考虑到下午有雨，将$α$分解后，我们可以得到 C 的可能值的概率比例。也就是说，如果下午有雨，那么早上有云和早上没有云的概率的比例是$0.08:0.02$。请注意，0.08 和 0.02 的总和不等于 1；然而，由于这是随机变量 C 的概率分布，我们知道它们应该加起来为 1。因此，我们需要通过算$α$来归一化这些值，使得$α0.08+α0.02=1$。最后，我们可以说$P(C|雨)=<0.8,0.2>$。 ## 概率规则(Probability Rules) -- 否定(Negation): - $$ - P(\lnot a)=1-P(a) - $$ +- 否定(Negation): $P(\lnot a)=1-P(a)$。这源于这样一个事实，即所有可能世界的概率之和为 1，互补事件$\lnot a$和 $a$ 包括所有可能世界。 +- 包含-排除 Inclusion-Exclusion：$P(a\lor b)=P(a)+P(b)-P(a\land b)$。这可以用以下方式解释：$a$或$b$为真的世界等于$a$为真的所有世界，加上$b$为真的所有世界。然而，在这种情况下，有些世界被计算两次（a和$b$都为真的世界）。为了消除这种重叠，我们将$a$和$b$ 都为真的世界减去一次（因为它们被计算了两次）。 - 。这源于这样一个事实，即所有可能世界的概率之和为 1，互补事件 - $$ - \lnot a - $$ +> 下面是一个例子，可以说明这一点。假设我 80% 的时间吃冰淇淋，70% 的时间吃饼干。如果我们计算今天我吃冰淇淋或饼干的概率，不减去$P(冰淇淋∧饼干)$，我们错误地得出 0.7+0.8=1.5。这与概率在 0 和 1 之间的公理相矛盾。为了纠正我同时吃冰淇淋和饼干的天数计算两次的错误，我们需要减去$P(冰淇淋∧饼干)$一次。 - 和 $$a$$ 包括所有可能世界。 -- 包含-排除 Inclusion-Exclusion： - $$ - P(a\lor b)=P(a)+P(b)-P(a\land b) - $$ +- 边缘化(Marginalization)：$P(a)=P(a,b)+P(a,\lnot b)$。这里的观点是，$b$和$\lnot b$是独立的概率。也就是说，$b$和$\lnot b$同时发生的概率为0。我们也知道$b$和$\lnot b$的总和为1。因此，当$a$发生时，$b$可以发生也可以不发生。当我们把$a$和$b$发生的概率加上$a$和$\lnot b$的概率时，我们得到的只是$a$ 的概率。 +- 随机变量的边缘化可以用：$P(X=x_i)=\sum_jP(X=x_i,Y=y_j)$表示 +- 方程的左侧表示“随机变量$X$具有$x_i$值的概率” 例如，对于我们前面提到的变量C，两个可能的值是早上有云和早上没有云。等式的正确部分是边缘化的概念。$P(X=x_i)$等于$x_i$以及随机变量$Y$的每一个值的所有联合概率之和。例如，$P(C=云)=P(C=云,R=雨)+P(C=云,R=\lnot 雨)=0.08+0.32=0.4$。 - 。这可以用以下方式解释： - $$ - a$$或 - $$ - - b - $$ - 为真的世界等于 - $$ - - a - $$ - 为真的所有世界，加上 - $$ - - b - $$ - 为真的所有世界。然而，在这种情况下，有些世界被计算两次（a和 - $$ - - b - $$ - 都为真的世界）。为了消除这种重叠，我们将 - $$ - - a - $$ - 和 - $$ - - b$$ 都为真的世界减去一次（因为它们被计算了两次）。 - -> 下面是一个例子，可以说明这一点。假设我 80% 的时间吃冰淇淋，70% 的时间吃饼干。如果我们计算今天我吃冰淇淋或饼干的概率，不减去 -> $$ -> P(冰淇淋∧饼干) -> $$ -> -> ，我们错误地得出 0.7+0.8=1.5。这与概率在 0 和 1 之间的公理相矛盾。为了纠正我同时吃冰淇淋和饼干的天数计算两次的错误，我们需要减去 -> $$ -> P(冰淇淋∧饼干) -> $$ -> -> 一次。 - -- 边缘化(Marginalization)： - $$ - P(a)=P(a,b)+P(a,\lnot b) - $$ - - 。这里的观点是， - $$ - b$$和 - $$ - - \lnot b - $$ - 是独立的概率。也就是说， - $$ - - b - $$ - 和 - $$ - - \lnot b - $$ - 同时发生的概率为0。我们也知道 - $$ - - b - $$ - 和 - $$ - - \lnot b - $$ - 的总和为1。因此，当 - $$ - - a - $$ - 发生时， - $$ - - b - $$ - 可以发生也可以不发生。当我们把 - $$ - - a - $$ - 和 - $$ - - b - $$ - 发生的概率加上 - $$ - - a - $$ - 和 - $$ - - \lnot b - $$ - 的概率时，我们得到的只是 - $$ - - a$$ 的概率。 -- 随机变量的边缘化可以用： - $$ - P(X=x_i)=\sum_jP(X=x_i,Y=y_j) - $$ - - 表示 -- 方程的左侧表示“随机变量 - $$ - X$$具有 - $$ - - x_i - $$ - 值的概率” 例如，对于我们前面提到的变量C，两个可能的值是早上有云和早上没有云。等式的正确部分是边缘化的概念。 - $$ - - P(X=x_i) - $$ - 等于 - $$ - - x_i - $$ - 以及随机变量 - $$ - - Y - $$ - 的每一个值的所有联合概率之和。例如， - $$ - - P(C=云)=P(C=云,R=雨)+P(C=云,R=\lnot 雨)=0.08+0.32=0.4$$。 - - - 条件边缘化: - $$ - P(a)=P(a|b)P(b)+P(a|\lnot b)P(\lnot b) - $$ - - 。这是一个类似于边缘化的想法。事件 - $$ - a$$发生的概率等于给定 - $$ - - b - $$ - 的概率乘以 - $$ - - b - $$ - 的概率，再加上给定 - $$ - - \lnot b - $$ - 的概率乘以 - $$ - - \lnot b$$ 的概率。 - - $$ - P(X=x_i)=\sum_jP(X=x_i|Y=y_i)P(Y=y_i) - $$ - - 在这个公式中，随机变量 - $$ - X$$取 - $$ - - x_i - $$ - 值概率等于 - $$ - - x_i - $$ - 以及随机变量 - $$ - - Y - $$ - 的每个值的联合概率乘以变量 - $$ - - Y - $$ - 取该值的概率之和。如果我们还记得 - $$ - - P(a|b)=\frac{P(a，b)}{P(b)} - $$ - ，就可以理解这个公式。如果我们将这个表达式乘以 - $$ - - P(b) - $$ - ，我们得到 - $$ - - P(a,b)$$，从这里开始，我们做的与边缘化相同。 + - 条件边缘化: $P(a)=P(a|b)P(b)+P(a|\lnot b)P(\lnot b)$。这是一个类似于边缘化的想法。事件$a$发生的概率等于给定$b$的概率乘以$b$的概率，再加上给定$\lnot b$的概率乘以$\lnot b$ 的概率。 + - $P(X=x_i)=\sum_jP(X=x_i|Y=y_i)P(Y=y_i)$ + - 在这个公式中，随机变量$X$取$x_i$值概率等于$x_i$以及随机变量$Y$的每个值的联合概率乘以变量$Y$取该值的概率之和。如果我们还记得$P(a|b)=\frac{P(a，b)}{P(b)}$，就可以理解这个公式。如果我们将这个表达式乘以$P(b)$，我们得到$P(a,b)$，从这里开始，我们做的与边缘化相同。 ## 贝叶斯网络(Bayesian Networks) @@ -534,32 +132,22 @@ $$ - 它们是有向图。 - 图上的每个节点表示一个随机变量。 - 从 X 到 Y 的箭头表示 X 是 Y 的父对象。也就是说，Y 的概率分布取决于 X 的值。 - - 每个节点 X 具有概率分布 - $$ - P(X|Parents(X)) - $$ - - 。 + - 每个节点 X 具有概率分布$P(X|Parents(X))$。 - 让我们考虑一个贝叶斯网络的例子，该网络包含影响我们是否按时赴约的随机变量。 ![](static/GKc6be6ueopUYZxxQg4cS4AVnmb.png) - 让我们从上到下描述这个贝叶斯网络： - - rain 是这个网络的根节点。这意味着它的概率分布不依赖于任何先前的事件。在我们的例子中，Rain 是一个随机变量，可以采用以下概率分布的值 - $$ - \set{none，light，heavy} - $$ - - ： + - rain 是这个网络的根节点。这意味着它的概率分布不依赖于任何先前的事件。在我们的例子中，Rain 是一个随机变量，可以采用以下概率分布的值$\set{none，light，heavy}$： | none | light | heavy | | ---- | ----- | ----- | | 0.7 | 0.2 | 0.1 | -``` -- Maintenance对是否有列车轨道维护进行编码，取值为$$\set{yes，no}$$。Rain是Maintenance的父节点，这意味着Maintenance概率分布受到Rain的影响。 -``` + +- Maintenance对是否有列车轨道维护进行编码，取值为$\set{yes，no}$。Rain是Maintenance的父节点，这意味着Maintenance概率分布受到Rain的影响。 + | R | yes | no | | ----- | --- | --- | @@ -567,9 +155,9 @@ $$ | light | 0.2 | 0.8 | | heavy | 0.1 | 0.9 | -``` -- Train是一个变量，用于编码列车是准时还是晚点，取值为$$\set{on\ time，delayed}$$。请注意，列车上被“Maintenance”和“rain”指向。这意味着两者都是Train的父对象，它们的值会影响Train的概率分布。 -``` + +- Train是一个变量，用于编码列车是准时还是晚点，取值为$\set{on\ time，delayed}$。请注意，列车上被“Maintenance”和“rain”指向。这意味着两者都是Train的父对象，它们的值会影响Train的概率分布。 + | R | M | On time | Delayed | | ------ | --- | ------- | ------- | @@ -580,135 +168,33 @@ $$ | heavry | yes | 0.4 | 0.6 | | heavy | no | 0.5 | 0.5 | -``` -- Appointment 是一个随机变量，表示我们是否参加约会，取值为$$\set{attend, miss}$$。请注意，它唯一的父级是Train。关于贝叶斯网络的这一点值得注意：父子只包括直接关系。的确，Maintenance会影响Train是否准时，而Train是否准时会影响我们是否赴约。然而，最终，直接影响我们赴约机会的是Train是否准时，这就是贝叶斯网络所代表的。例如，如果火车准时到达，可能会有大雨和轨道维护，但这对我们是否赴约没有影响。 -``` + +- Appointment 是一个随机变量，表示我们是否参加约会，取值为$\set{attend, miss}$。请注意，它唯一的父级是Train。关于贝叶斯网络的这一点值得注意：父子只包括直接关系。的确，Maintenance会影响Train是否准时，而Train是否准时会影响我们是否赴约。然而，最终，直接影响我们赴约机会的是Train是否准时，这就是贝叶斯网络所代表的。例如，如果火车准时到达，可能会有大雨和轨道维护，但这对我们是否赴约没有影响。 + | T | attend | miss | | ------- | ------ | ---- | | on time | 0.9 | 0.1 | | delayed | 0.6 | 0.4 | -``` -- 例如，如果我们想找出在没有维护和小雨的一天火车晚点时错过约会的概率，或者$$P(light,no,delayed,miss)$$，我们将计算如下：$$P(light)P(no|light)P(delayed|light,no)P(miss|delayed)$$。每个单独概率的值可以在上面的概率分布中找到，然后将这些值相乘以产生$$P(light,no,delayed,miss)$$。 -``` + +- 例如，如果我们想找出在没有维护和小雨的一天火车晚点时错过约会的概率，或者$P(light,no,delayed,miss)$，我们将计算如下：$P(light)P(no|light)P(delayed|light,no)P(miss|delayed)$。每个单独概率的值可以在上面的概率分布中找到，然后将这些值相乘以产生$P(light,no,delayed,miss)$。 + ### 推理(Inference) - 在知识推理，我们通过蕴含来看待推理。这意味着我们可以在现有信息的基础上得出新的信息。我们也可以根据概率推断出新的信息。虽然这不能让我们确切地知道新的信息，但它可以让我们计算出一些值的概率分布。推理具有多个属性。 -- Query 查询变量 $$X$$：我们要计算概率分布的变量。 -- Evidence variables 证据变量 - $$ - E$$: 一个或多个观测到事件 - $$ - - e$$ 的变量。例如，我们可能观测到有小雨，这一观测有助于我们计算火车延误的概率。 -- Hidden variables 隐藏变量 $$H$$: 不是查询结论的变量，也没有被观测到。例如，站在火车站，我们可以观察是否下雨，但我们不知道道路后面的轨道是否有维修。因此，在这种情况下，Maintenance 将是一个隐藏的变量。 -- The goal 目标: 计算 - $$ - P(X|e) - $$ - - 。例如，根据我们知道有小雨的证据 $$e$$ 计算 Train 变量(查询)的概率分布。 -- 举一个例子。考虑到有小雨和没有轨道维护的证据，我们想计算 Appointment 变量的概率分布。也就是说，我们知道有小雨，没有轨道维护，我们想弄清楚我们参加约会和错过约会的概率是多少， - $$ - P(Appointment|light,no) - $$ - - 。从联合概率部分中，我们知道我们可以将约会随机变量的可能值表示为一个比例，将 - $$ - P(Appointment|light,no) - $$ - - 重写为 - $$ - αP(Appointment,light,no） - $$ - - 。如果 Appointment 的父节点仅为 Train 变量，而不是 Rain 或 Maintenance，我们如何计算约会的概率分布？在这里，我们将使用边缘化。 - $$ - P(Appointment,light,no) - $$ - - 的值等于 - $$ - α[P(Appointment,light,no,delay)+P(Appointment,light,no,on\ time)] - $$ - - 。 +- Query 查询变量 $X$：我们要计算概率分布的变量。 +- Evidence variables 证据变量$E$: 一个或多个观测到事件$e$ 的变量。例如，我们可能观测到有小雨，这一观测有助于我们计算火车延误的概率。 +- Hidden variables 隐藏变量 $H$: 不是查询结论的变量，也没有被观测到。例如，站在火车站，我们可以观察是否下雨，但我们不知道道路后面的轨道是否有维修。因此，在这种情况下，Maintenance 将是一个隐藏的变量。 +- The goal 目标: 计算$P(X|e)$。例如，根据我们知道有小雨的证据 $e$ 计算 Train 变量(查询)的概率分布。 +- 举一个例子。考虑到有小雨和没有轨道维护的证据，我们想计算 Appointment 变量的概率分布。也就是说，我们知道有小雨，没有轨道维护，我们想弄清楚我们参加约会和错过约会的概率是多少，$P(Appointment|light,no)$。从联合概率部分中，我们知道我们可以将约会随机变量的可能值表示为一个比例，将$P(Appointment|light,no)$重写为$αP(Appointment,light,no)$。如果 Appointment 的父节点仅为 Train 变量，而不是 Rain 或 Maintenance，我们如何计算约会的概率分布？在这里，我们将使用边缘化。$P(Appointment,light,no)$的值等于$α[P(Appointment,light,no,delay)+P(Appointment,light,no,on\ time)]$。 ### 枚举推理 -- 枚举推理是在给定观测证据 - $$ - e$$和一些隐藏变量 - $$ - - Y - $$ - 的情况下，找到变量 - $$ - - X$$ 的概率分布的过程。 -- $$ - P(X|e)=\alpha P(X,e)=\alpha \sum_yP(X,e,y) - $$ -- 在这个方程中， - $$ - X$$代表查询变量， - $$ - - e - $$ - 代表观察到的证据， - $$ - - y - $$ - 代表隐藏变量的所有值， - $$ - - α - $$ - 归一化结果，使我们最终得到的概率加起来为1。用文字来解释这个方程，即给定 - $$ - - e - $$ - 的 - $$ - - X - $$ - 的概率分布等于 - $$ - - X - $$ - 和 - $$ - - e - $$ - 的归一化概率分布。为了得到这个分布，我们对 - $$ - - X、e - $$ - 和 - $$ - - y - $$ - 的归一化概率求和，其中 - $$ - - y - $$ - 每次取隐藏变量 - $$ - - Y$$ 的不同值。 +- 枚举推理是在给定观测证据$e$和一些隐藏变量$Y$的情况下，找到变量$X$ 的概率分布的过程。 +- $P(X|e)=\alpha P(X,e)=\alpha \sum_yP(X,e,y)$ +- 在这个方程中，$X$代表查询变量，$e$代表观察到的证据，$y$代表隐藏变量的所有值，$α$归一化结果，使我们最终得到的概率加起来为1。用文字来解释这个方程，即给定$e$的$X$的概率分布等于$X$和$e$的归一化概率分布。为了得到这个分布，我们对$X、e$和$y$的归一化概率求和，其中$y$每次取隐藏变量$Y$ 的不同值。 - Python 中存在多个库，以简化概率推理过程。我们将查看库 `pomegranate`，看看如何在代码中表示上述数据。 ```python @@ -791,65 +277,25 @@ for node, prediction in zip(model.states, predictions): > 要使用骰子采样生成分布，我们可以多次掷骰子，并记录每次获得的值。假设我们把骰子掷了 600 次。我们计算得到 1 的次数，应该大约是 100，然后对其余的值 2-6 重复采样。然后，我们将每个计数除以投掷的总数。这将生成掷骰子的值的近似分布：一方面，我们不太可能得到每个值发生概率为 1/6 的结果（这是确切的概率），但我们会得到一个接近它的值。 -- 如果我们从对 Rain 变量进行采样开始，则生成的值 none 的概率为 0.7，生成的值 light 的概率为 0.2，而生成的值 heavy 的概率则为 0.1。假设我们的采样值为 none。当我们得到 Maintenance 变量时，我们也会对其进行采样，但只能从 Rain 等于 none 的概率分布中进行采样，因为这是一个已经采样的结果。我们将通过所有节点继续这样做。现在我们有一个样本，多次重复这个过程会生成一个分布。现在，如果我们想回答一个问题，比如什么是 - $$ - P(Train=on\ time) - $$ - - ，我们可以计算变量 Train 具有准时值的样本数量，并将结果除以样本总数。通过这种方式，我们刚刚生成了 - $$ - P(Train=on\ {time}) - $$ - - 的近似概率。 +- 如果我们从对 Rain 变量进行采样开始，则生成的值 none 的概率为 0.7，生成的值 light 的概率为 0.2，而生成的值 heavy 的概率则为 0.1。假设我们的采样值为 none。当我们得到 Maintenance 变量时，我们也会对其进行采样，但只能从 Rain 等于 none 的概率分布中进行采样，因为这是一个已经采样的结果。我们将通过所有节点继续这样做。现在我们有一个样本，多次重复这个过程会生成一个分布。现在，如果我们想回答一个问题，比如什么是$P(Train=on\ time)$，我们可以计算变量 Train 具有准时值的样本数量，并将结果除以样本总数。通过这种方式，我们刚刚生成了$P(Train=on\ {time})$的近似概率。 ![](static/CreObGAg4oXB0oxe2hMcQbYZnAc.png) ![](static/Vr96bdSafoV4kBxJ3x2cAU0TnOg.png) -- 我们也可以回答涉及条件概率的问题，例如 - $$ - P(rain=light|train=on\ {time}) - $$ - - 。在这种情况下，我们忽略 Train 值为 delay 的所有样本，然后照常进行。我们计算在 - $$ - Train=\text{on time} - $$ - - 的样本中有多少样本具有变量 - $$ - Rain=light - $$ - - ，然后除以 - $$ - Train=\text{on time} - $$ - - 的样本总数。 +- 我们也可以回答涉及条件概率的问题，例如$P(rain=light|train=on\ {time})$。在这种情况下，我们忽略 Train 值为 delay 的所有样本，然后照常进行。我们计算在$Train=\text{on time}$的样本中有多少样本具有变量$Rain=light$，然后除以$Train=\text{on time}$的样本总数。 ![](static/KsELbuMTCoKZkGxU9U5czQpanKg.png) ![](static/MrP0b2FbXofDsOxgnmncufUynAB.png) -去除 -$$ -T= on time -$$ - -的样本 +去除$T= on time$的样本 ![](static/Ilj3bPKuwo0l6Dx13rZcVXfenOb.png) ![](static/AptYbb5MZoylvex7LvPcSqivnef.png) -选择 -$$ -R=light -$$ - -的样本 +选择$R=light$的样本 - 在代码中，采样函数可以是 `generate_sample`： @@ -896,36 +342,11 @@ print(Counter(data)) - 首先固定证据变量的值。 - 使用贝叶斯网络中的条件概率对非证据变量进行采样。 - 根据其可能性对每个样本进行加权: 所有证据出现的概率。 -- 例如，如果我们观察到 - $$ - Train=\text{on time} - $$ - - ，我们将像之前一样开始采样。我们对给定概率分布的 Rain 值进行采样，然后对 Maintenance 进行采样，但当我们到达 Train 时，我们总是按照观测值取值。然后，我们继续进行，并在给定 - $$ - Train=\text{on time} - $$ - - 的情况下，根据其概率分布对 Appointment 进行采样。既然这个样本存在，我们就根据观察到的变量在给定其采样父变量的情况下的条件概率对其进行加权。也就是说，如果我们采样了 Rain 并得到了 light，然后我们采样了 Maintenance 并得到了 yes，那么我们将用 - $$ - P(Train=\text{on time}|light,yes) - $$ - - 来加权这个样本。 +- 例如，如果我们观察到$Train=\text{on time}$，我们将像之前一样开始采样。我们对给定概率分布的 Rain 值进行采样，然后对 Maintenance 进行采样，但当我们到达 Train 时，我们总是按照观测值取值。然后，我们继续进行，并在给定$Train=\text{on time}$的情况下，根据其概率分布对 Appointment 进行采样。既然这个样本存在，我们就根据观察到的变量在给定其采样父变量的情况下的条件概率对其进行加权。也就是说，如果我们采样了 Rain 并得到了 light，然后我们采样了 Maintenance 并得到了 yes，那么我们将用$P(Train=\text{on time}|light,yes)$来加权这个样本。 ## 马尔科夫模型(Markov Models) -- 到目前为止，我们已经研究了概率问题，给出了我们观察到的一些信息。在这种范式中，时间的维度没有以任何方式表示。然而，许多任务确实依赖于时间维度，例如预测。为了表示时间变量，我们将创建一个新的变量 - $$ - X$$，并根据感兴趣的事件对其进行更改，使 - $$ - - X_t - $$ - 是当前事件， - $$ - - X_{t+1}$$ 是下一个事件，依此类推。为了能够预测未来的事件，我们将使用马尔可夫模型。 +- 到目前为止，我们已经研究了概率问题，给出了我们观察到的一些信息。在这种范式中，时间的维度没有以任何方式表示。然而，许多任务确实依赖于时间维度，例如预测。为了表示时间变量，我们将创建一个新的变量$X$，并根据感兴趣的事件对其进行更改，使$X_t$ 是当前事件，$X_{t+1}$ 是下一个事件，依此类推。为了能够预测未来的事件，我们将使用马尔可夫模型。 ### 马尔科夫假设(The Markov Assumption) @@ -980,12 +401,7 @@ print(model.sample(50)) ### 传感器马尔科夫假设 - 假设证据变量只取决于相应的状态。例如，对于我们的模型，我们假设人们是否带雨伞去办公室只取决于天气。这不一定反映了完整的事实，因为，比如说，比较自觉的、不喜欢下雨的人可能即使在阳光明媚的时候也会到处带伞，如果我们知道每个人的个性，会给模型增加更多的数据。然而，传感器马尔科夫假设忽略了这些数据，假设只有隐藏状态会影响观察。 -- 隐马尔科夫模型可以用一个有两层的马尔科夫链来表示。上层，变量 - $$ - X$$，代表隐藏状态。底层，变量 - $$ - - E$$，代表证据，即我们所拥有的观察。 +- 隐马尔科夫模型可以用一个有两层的马尔科夫链来表示。上层，变量$X$，代表隐藏状态。底层，变量$E$，代表证据，即我们所拥有的观察。 ![](static/FnyrbYSEWohimaxIYPSchotGnse.png)