第二章 概率图模型的基本原理

标签：mod   动态   隐马尔科夫模型   com   结构   随机   oba   direct   数值   

分为有向概率图模型(Directed Probabilistic Graphical Model)，无向概率图模型(Undirected Probabilistic Graphical Model)，混合概率图模型(Mixed Probabilistic Graphical Model)。

有向概率图模型：隐马尔科夫模型，贝叶斯网络，，动态贝叶斯网络

无向概率图模型：马尔科夫随机场，条件随机场

混合概率图模型：链图

隐马尔科夫模型（Hidden Markov Model, HMM）

HMM算法实现的基本问题：

（1）初始模型选取

不同初始模型得到的结果不同

（2）多个观察值

可能有多个序列，然后对参数进行估计

（3）前向和后向算法以及Baum-Welch算法随着计算增加，计算结果的数值变小，可能产生下溢。

需要对  

贝叶斯网络的学习包含两个主要过程：学习贝叶斯网络结构，学习参数。

几种常用的贝叶斯分类器：

(1)朴素贝叶斯网络(Naive Bayesian Networks, NBN)：

（2）通用贝叶斯网络（General Bayesian Networks, GBN）

(3)增强型朴素贝叶斯网络（Tree-Augmented Naive Bayes, TAN）

(4)马尔科夫毯贝叶斯网络（Markov Blanket Bayesian Networks, MBBN）

第二章 概率图模型的基本原理

标签：mod   动态   隐马尔科夫模型   com   结构   随机   oba   direct   数值   

原文地址：http://www.cnblogs.com/huangshiyu13/p/6145634.html