参考课程：
参考资料：
Probabilistic Machine Learning: Advanced Topics by Kevin P. Murphy
1. Plausible reasoning extends Boolean Logic
如上的准则提供了判断事件可能性的方法，其意义也是易于理解的；其中某项概率为 1 我们才能确认是有 true的，当存在概率的不等关系时，我们用 plausible来描述。
进一步地，考虑n个变量，我们有
种可能性。因此我们需要剪枝，最好的方法就是有一个独立性的假设，这样我们就可以大幅降低可能性的个数。正如下面提到的这样：
因此，我们将n变量的
的情况，成功降低为
，是非常棒的事情。当然，全都独立是不怎么现实的。因此同样地，我们还有如下的条件概率的分解，也就是说，在给定条件C的情况下假设变量A``B是互相独立的，这个假设弱一些：
注意
可能刚开始觉得不太直观，但是后面经常会用到。
2. DAG(Directed Acyclic Model)
这个也是老朋友了，是因果图模型的基础。而这个表示方法，也是因果推断的常用表示：考虑箭头为因果作用，根据Judea的某某定理（我忘了）可以将作用简化为，一个节点只受到d-分离集合的的节点的影响，通常情况下，主要是父节点PA。
例如下面的表达式可以被表示为：
当然也可以进一步分解，来达到化解问题的目的：
3. 常用 DAG 结构
上图是较为重要的三种结构，主要是提供了A和 C的独立性以及其条件概率的计算公式和后面所代表的东西。实际上用贝叶斯公式，把factorization的东西代入即可。
4. Conlusion
若有收获，就点个赞吧
0 人点赞
