因果论 —— 模型、推理和推断(概率、图及因果模型)②
图与概率
图的符号与术语
- 图由顶点集(或节点集)VVV和连接顶点对的边集(或链接集)EEE组成。图中的顶点对应用于变量,边表示变量对之间的某种关系。由边连接的两个变量称为相邻变量。
- 我们会使用“双向”边来表示未观察到的共同原因(有时称为混杂因子)
- 有向图可以包含有向环(例如,X→Y,Y→XX \to Y,\ \ Y \to XX→Y, Y→X),表示相互因果关系或反馈过程,但不包含自循环(例如,X→XX \to XX→X)
- 如果有向图中的节点没有父节点,称其为根节点,若没有子节点,则称其为汇聚节点
- 每个节点最多有一个子节点的树称为链。
- 每对节点均有边相连的图称为完全图。
贝叶斯网络
- 图在概率与统计建模中的作用有三个方面:
- 提供便捷的方法在表示众多的假定
- 便于联合概率函数的简约表示
- 便于从观察中进行有效推断
- 无向图有时称为马尔可夫网络,主要用于表示对称的空间关系。
- 有向图,尤其是无环图,用于表示因果关系或时间关系,这种图称为贝叶斯网络。
- 贝叶斯网络强调3个方面:
- 输入信息的主观属性
- 依赖贝叶斯条件作为信息更新的基础
- 区分推理的因果模式和证据模式
- 假设我们有一个定义在n个离散变量上的分布P,我们可以将变量任意排序为X1,X2,⋯,XnX_1,X_2,\cdots,X_nX1,X2,⋯,Xn。根据概率演算的链式法则允许我们将PPP分解为nnn个条件分布的乘积:
P(x1,⋯,xn)=∏jP(xj∣x1,⋯,xj−1)P(x_1,\cdots,x_n) = \prod_{j}P(x_j|x_1,\cdots,x_{j-1}) P(x1,⋯,xn)=j∏P(xj∣x1,⋯,xj−1)
现在假设某些变量XjX_jXj的条件概率不是对XjX_jXj的所有前驱变量敏感,而仅对其中的小部分敏感。我们将这部分敏感的前驱变量记为PAjPA_jPAj,那么可以将乘积写为:
P(xj∣x1,⋯,xj−1)=P(xj∣paj)P(x_j|x_1,\cdots,x_{j-1}) = P(x_j|pa_j) P(xj∣x1,⋯,xj−1)=P(xj∣paj)
我们仅需要关注集合PAjPA_jPAj的可能情况,而不需要将XjX_jXj的所有前驱变量X1,⋯,Xj−1X_1,\cdots,X_{j-1}X1,⋯,Xj−1的可能情况作为条件来确定XjX_jXj的概率。 - 集合PAjPA_jPAj称为XjX_jXj的马尔可夫父代变量集合。
- 概率分布PPP的贝叶斯网络是有向无环图GGG的一个必要条件是PPP容许图GGG所确定的乘积分解。
- 马尔可夫相容性:如果概率函数PPP容许有向无环图G所确定的乘积分解,那么我们认为GGG表示PPP、GGG与PPP 相容,PPP与GGG马尔可夫相关。
- 在统计建模中,确定DAG和概率之间的相容性非常重要,主要是因为相容性是有向无环图GGG解释PPP表示的经验数据的充分必要条件。
d\ d d-分离准则
- 路径ppp被节点集ZdZ\ dZ d-分离(或阻断),当且仅当:
- ppp包含了一个链i→m→ji \to m \to ji→m→j或一个分叉i←m→ji \gets m \to ji←m→j,而中间节点mmm在ZZZ中,或者
- ppp包含一个反向分叉(或对撞)i→m←ji \to m \gets ji→m←j,而中间节点mmm以及mmm的任何后代节点都不在ZZZ中。
- 集合ZZZ将XXX与YYY d\ d d-分离当且仅当ZZZ阻断了从XXX中每个节点到YYY中每个节点的所有路径。
- 对两个独立原因的共同结果的观察会使这两个原因相关,因为如果结果已经发生,其中一个原因的信息会使另一个原因的可能性变大或变小。
- d\ d d-分离的概率含义:如果XXX和YYY在有向无环图GGG中被ZdZ\ dZ d-分离,那么在每一个与GGG相容的分布中,以ZZZ为条件时,XXX独立于YYY。反之,如果XXX和YYY在有向无环图GGG中未被ZdZ\ dZ d-分离,那么至少存在一个与GGG相容的分布,以ZZZ为条件时,XXX与YYY相关。
贝叶斯网络推断
因果论 —— 模型、推理和推断(概率、图及因果模型)②相关推荐
- er图转换成关系模型的例题,将ER图转换为关系模型
I know how to convert an entity set, relationship, etc. into the relational model but what i wonder ...
- 【模型推理加速系列】05: 推理加速格式TorchScript简介及其应用
简介 本文紧接前文:模型推理加速系列|04:BERT模型推理加速 TorchScript vs. ONNX 实验结果:在动态文本长度且大batch size的场景下,TorchScript 格式的in ...
- 深度学习实战——模型推理优化(模型压缩与加速)
忆如完整项目/代码详见github:https://github.com/yiru1225(转载标明出处 勿白嫖 star for projects thanks) 目录 系列文章目录 一.实验思路综 ...
- MindSpore模型推理
MindSpore模型推理 如果想在应用中使用自定义的MindSpore Lite模型,需要告知推理器模型所在的位置.推理器加载模型的方式有以下三种: • 加载本地模型. • 加载远程模型. • 混合 ...
- ML之回归预测:利用Lasso、ElasticNet、GBDT等算法构建集成学习算法AvgModelsR对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测(模型评估、模型推理)
ML之回归预测:利用Lasso.ElasticNet.GBDT等算法构建集成学习算法AvgModelsR对国内某平台上海2020年6月份房价数据集[12+1]进行回归预测(模型评估.模型推理) 目录 ...
- 【模型推理加速系列】06: 基于resnet18加速方案评测
简介 花雪随风不厌看,更多还肯失林峦.愁人正在书窗下,一片飞来一片寒.小伙伴们好,我是微信公众号小窗幽记机器学习的首席称重师:卖麻辣烫的小男孩.今天这篇文章以resnet18模型为例,对比Pytorc ...
- 机器学习-白板推导-系列(九)笔记:概率图模型: 贝叶斯网络/马尔可夫随机场/推断/道德图/因子图
文章目录 0 笔记说明 1 背景介绍 1.1 概率公式 1.2 概率图简介 1.2.1 表示 1.2.2 推断 1.2.3 学习 1.2.4 决策 1.3 图 2 贝叶斯网络 2.1 条件独立性 2. ...
- 因果推断(二)-Causal effect 因果效应推理
1.因果效应推理定义 套用一个发券和购买转化率的关系,已知发优惠券与购买转化率有因果关系,发优惠券是因,购买转化率是果,我们想知道,当发券的情况下,购买转化率会增加多少? 2.因果效应推理估计对象 估 ...
- NLP —— 图模型(三)pLSA(Probabilistic latent semantic analysis,概率隐性语义分析)模型...
LSA(Latent semantic analysis,隐性语义分析).pLSA(Probabilistic latent semantic analysis,概率隐性语义分析)和 LDA(Late ...
最新文章
- IOS 编程中引用第三方的方类库的方法及常见问题
- Molecule – 帮助你构建跨平台的 HTML5 游戏
- packet tracer使用心得(二)
- reactjs三个常用的Hook:State Hook、 Effect Hook、 Ref Hook
- 关于Linux和Windows的换行符
- ts可展开注释_TS语法之装饰器(注解)
- 使用function module CRM_BUPA_FRG0010_GET_VALIDLIST 获得某个account assign的sales area
- qt ui指针和本类对象_您需要了解的有关UI设计的形状和对象的所有信息
- Java 字符串(一条日志信息)解析实例
- 英语发音规则---U字母-[复习中]
- Mysql基础系列(一)
- 2013暑假江西联合训练赛 -- by jxust_acm 解题报告
- python中json怎么转换成字典
- 数据结构之B+树插入详解
- 《挑战不可能之加油中国》中越边境广西段扫雷队整装亮相
- windows系统配置静态路由
- python模拟12306购票_西甲彩经:巴塞罗那取连胜,塞维利亚不败
- Cause: org.postgresql.util.PSQLException: 错误: 对于可变字符类型来说,值太长了(255)
- 散列函数(哈希函数,Hash Function)
- 田野调查手记·浮山篇(一)