贝叶斯神经网络，贝叶斯网络分类器和神经网络分类器的区别

来源：整理时间：2024-09-23 06:42:31 编辑：智能门户手机版

本文目录一览

1，贝叶斯网络分类器和神经网络分类器的区别
2，贝叶斯网络模型具体作用举个列子说明
3，如何评价学习出的贝叶斯网络模型
4，如何根据具体实例建立基于时间上的贝叶斯网络的概率推理
5，贝叶斯网络的优缺点是什么怎么克服它的缺点
6，贝叶斯公式应用实例

1，贝叶斯网络分类器和神经网络分类器的区别

贝叶斯分类器由概率统计得出，和神经网络都需要经过训练得到相应的分类的功能，如果非要说区别的话就是结构上的区别，神经网络通过高阶级数或者几何空间逼近，无数多的节点构成了非常复杂的数据相关性，而贝叶斯分类器则通过每个模式（事件几何下）中发生该事件的概率来反过来推导发生该这些事件概率后属于那种模式，理论上神经网络是连续系统，贝叶斯不是连续的，并且贝叶斯不能处理维度间高度相关性的事件（这就好比 z=ax+by ,但y里又有x的相关因子，x和y并不独立），而神经网络没这个问题。

支持一下感觉挺不错的

贝叶斯网络分类器和神经网络分类器的区别

2，贝叶斯网络模型具体作用举个列子说明

贝叶斯网络模型最简单的例子是“分类器”，即在观测节点输入多个特征，就能获得这些特征所对应的具体事物。例如：一个箱子里装有篮球，排球和足球，你的朋友每次从箱子里取出某一个球。但你看不见所取球的类型，只能通过朋友描述尺寸，外表，颜色等特征（观测数据）来辨别（分类），当然你之所以具备辨别（分类）能力是你长期对几种球类的观察和认识，并将这些特征一一储存在你脑部，这就形成先验知识以及特征与具体事物的对应关系（网络模型结构和参数）。如果模型和先验知识精确，你的朋友仅需要说出尺寸或者颜色你就立刻可以分类，如果模型或先验知识不精确，那朋友就需要多说出几个特征你才能辨别。通过上面的例子发现，贝叶斯网络需要学习，即通过数据进行训练，在具有观测数据时需要推理。这里就包含了BN的核心研究内容。我就不一一介绍，目前全国大约有1200多篇文章都是BN的相关工作进展，看看就知道了。

同问。。。

贝叶斯网络模型具体作用举个列子说明

3，如何评价学习出的贝叶斯网络模型

第一步:下载贝叶斯网络工具箱第二步:解压压缩包第三步：将工具箱中bnt文件夹复制到matlab工具箱文件夹中（D:\Program Files\MATLAB\R2014a\toolbox）第四步：打开matlab2014a贝叶斯网络是处理不确定信息做有效的表示方法之一。其关键的特征之一是提供了把整个概率分布分解成几个局部分布的方法，网络的拓扑结构表明如何从局部的概率分布获得完全的联合概率分布。贝叶斯网络适合于对领域知识具有一定了解的情况，至少对变量间的依赖关系较清楚。否则直接从数据中学习贝叶斯网络结构复杂性极高（随节点的增加成指数级增长）

贝叶斯网络模型最简单的例子是“分类器”，即在观测节点输入多个特征，就能获得这些特征所对应的具体事物。例如：一个箱子里装有篮球，排球和足球，你的朋友每次从箱子里取出某一个球。但你看不见所取球的类型，只能通过朋友描述尺寸，外表，颜色等特征（观测数据）来辨别（分类），当然你之所以具备辨别（分类）能力是你长期对几种球类的观察和认识，并将这些特征一一储存在你脑部，这就形成先验知识以及特征与具体事物的对应关系（网络模型结构和参数）。如果模型和先验知识精确，你的朋友仅需要说出尺寸或者颜色你就立刻可以分类，如果模型或先验知识不精确，那朋友就需要多说出几个特征你才能辨别。通过上面的例子发现，贝叶斯网络需要学习，即通过数据进行训练，在具有观测数据时需要推理。这里就包含了bn的核心研究内容。我就不一一介绍，目前全国大约有1200多篇文章都是bn的相关工作进展，看看就知道了。

如何评价学习出的贝叶斯网络模型

4，如何根据具体实例建立基于时间上的贝叶斯网络的概率推理

1、贝叶斯网络是：一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络是基于概率推理的数学模型,所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程，基于概率推理的贝叶斯网络(Bayesian network)是为了解决不定性和不完整性问题而提出的，它对于解决复杂设备不确定性和关联性引起的故障有很的优势，在多个领域中获得广泛应用。2、贝叶斯分类算法是：统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Na?ve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。3、贝叶斯网络和贝叶斯分类算法的区别：由于贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值，而此假设在实际情况中经常是不成立的，因此其分类准确率可能会下降。为此，就衍生出许多降低独立性假设的贝叶斯分类算法，如TAN(tree augmented Bayes network)算法。贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Na?ve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。由于贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值，而此假设在实际情况中经常是不成立的，因此其分类准确率可能会下降。为此，就衍生出许多降低独立性假设的贝叶斯分类算法，如TAN(tree augmented Bayes network)算法。

5，贝叶斯网络的优缺点是什么怎么克服它的缺点

在日常生活中，人们往往进行常识推理，而这种推理通常是不准确的。例如，你看见一个头发潮湿的人走进来，你可能会认为外面下雨了，那你也许错了；如果你在公园里看到一男一女带着一个小孩，你可能会认为他们是一家人，你可能也犯了错误。在工程中，我们也同样需要进行科学合理的推理。但是，工程实际中的问题一般都比较复杂，而且存在着许多不确定性因素。这就给准确推理带来了很大的困难。很早以前，不确定性推理就是人工智能的一个重要研究领域。尽管许多人工智能领域的研究人员引入其它非概率原理，但是他们也认为在常识推理的基础上构建和使用概率方法也是可能的。为了提高推理的准确性，人们引入了概率理论。最早由Judea Pearl于1988年提出的贝叶斯网络实质(Bayesian Network)上就是一种基于概率的不确定性推理网络。它是用来表示变量集合连接概率的图形模型，提供了一种表示因果信息的方法。当时主要用于处理人工智能中的不确定性信息。随后它逐步成为了处理不确定性信息技术的主流，并且在计算机智能科学、工业控制、医疗诊断等领域的许多智能化系统中得到了重要的应用。贝叶斯理论是处理不确定性信息的重要工具。作为一种基于概率的不确定性推理方法，贝叶斯网络在处理不确定信息的智能化系统中已得到了重要的应用，已成功地用于医疗诊断、统计决策、专家系统等领域。这些成功的应用，充分体现了贝叶斯网络技术是一种强有力的不确定性推理方法。有关贝叶斯网络的站点： 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，贝叶斯公式应用实例

写作话题: 贝叶斯预测模型在矿物含量预测中的应用贝叶斯预测模型在气温变化预测中的应用贝叶斯学习原理及其在预测未来地震危险中的应用基于稀疏贝叶斯分类器的汽车车型识别信号估计中的贝叶斯方法及应用贝叶斯神经网络在生物序列分析中的应用基于贝叶斯网络的海上目标识别贝叶斯原理在发动机标定中的应用贝叶斯法在继电器可靠性评估中的应用相关书籍: Arnold Zellner 《Bayesian Econometrics: Past, Present and Future》Springer 《贝叶斯决策》黄晓榕《经济信息价格评估以及贝叶斯方法的应用》张丽 , 闫善文 , 刘亚东《全概率公式与贝叶斯公式的应用及推广》周丽琴《贝叶斯均衡的应用》王辉 , 张剑飞 , 王双成《基于预测能力的贝叶斯网络结构学习》张旭东 , 陈锋 , 高隽 , 方廷健《稀疏贝叶斯及其在时间序列预测中的应用》邹林全《贝叶斯方法在会计决策中的应用》周丽华《市场预测中的贝叶斯公式应用》夏敏轶 , 张焱《贝叶斯公式在风险决策中的应用》臧玉卫 , 王萍 , 吴育华《贝叶斯网络在股指期货风险预警中的应用》党佳瑞 , 胡杉杉 , 蓝伯雄《基于贝叶斯决策方法的证券历史数据有效性分析》肖玉山 , 王海东《无偏预测理论在经验贝叶斯分析中的应用》严惠云 , 师义民《Linex损失下股票投资的贝叶斯预测》卜祥志 , 王绍绵 , 陈文斌 , 余贻鑫 , 岳顺民《贝叶斯拍卖定价方法在配电市场定价中的应用》刘嘉焜 , 范贻昌 , 刘波《分整模型在商品价格预测中的应用》《Bayes方法在经营决策中的应用》《决策有用性的信息观》《统计预测和决策课件》《贝叶斯经济时间序列预测模型及其应用研究》《贝叶斯统计推断》《决策分析理论与实务》

贝叶斯公式贝叶斯公式贝叶斯定理由英国数学家贝叶斯 ( thomas bayes 1702-1761 ) 发展，用来描述两个条件概率之间的关系，比如 p(a|b) 和 p(b|a)。按照乘法法则：p(a∩b)=p(a)*p(b|a)=p(b)*p(a|b)，可以立刻导出贝叶斯定理公式：p(a|b)=p(b|a)*p(a)/p(b) 如上公式也可变形为：p(b|a)=p(a|b)*p(b)/p(a) 例如：一座别墅在过去的 20 年里一共发生过 2 次被盗，别墅的主人有一条狗，狗平均每周晚上叫 3 次，在盗贼入侵时狗叫的概率被估计为 0.9，问题是：在狗叫的时候发生入侵的概率是多少？我们假设 a 事件为狗在晚上叫，b 为盗贼入侵，则 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结果：p(b|a)=0.9*(2/7300)*(7/3)=0.00058 另一个例子，现分别有 a，b 两个容器，在容器 a 里分别有 7 个红球和 3 个白球，在容器 b 里有 1 个红球和 9 个白球，现已知从这两个容器里任意抽出了一个球，且是红球，问这个红球是来自容器 a 的概率是多少? 假设已经抽出红球为事件 b，从容器 a 里抽出球为事件 a，则有：p(b) = 8 / 20，p(a) = 1 / 2，p(b | a) = 7 / 10，按照公式，则有：p(a|b)=(7 / 10)*(1 / 2)*(20/8)=7/8 贝叶斯公式为利用搜集到的信息对原有判断进行修正提供了有效手段。在采样之前，经济主体对各种假设有一个判断（先验概率），关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。