大家好，欢迎来到IT知识分享网。
图模型(graphical model)是一类用图来表示概率分布的一类技术的总称。
它的主要优点是把概率分布中的条件独立用图的形式表达出来，从而可以把一个概率分布（特定的，和应用相关的）表示为很多因子的乘积，从而简化在边缘化一个概率分布的计算，这里的边缘化指的是给定n个变量的概率分布，求取其中m个变量的概率分布的计算（m<n)。
图模型主要有两大类，一类是贝叶斯网络（又称有向图模型）；另外一类是马尔可夫网络（又称无向图模型）。
谈到一个图模型，主要有三个主要的关注点：
1）图模型的表示（representation）； 指的是一个图模型应该是什么样子的
2）图模型的推断（inference）； 指的是已知图模型的情况下，怎么去计算一个查询的概率，例如已经一些观察节点，去求其它未知节点的概率
3）图模型的学习（learning）； 这里又分为两类，一类是图的结构学习；一类是图的参数学习。
在本文，我们主要关注图模型的表示，在以后的文章中，我们会论述图模型的其它方面。
一. 有向图模型的表示
顾名思义，有向图模型的结构表示是有向图的形式；通过一个有向图来表示一个概率分布，从而可以利用这个有向图模型来进行推断。
对于有向图模型，一个关键就是怎么通过一个有向图来表示一个概率分布呢？
对于一个概率分布p(x1,x2,…,xn)，通过概率论中的链式法则
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://haidsoft.com/125238.html
