贝叶斯信念网络如何学习?
data miningdatabasedata structure
贝叶斯分类器是一种统计分类器。它们可以预测类别成员概率，包括给定样本属于特定类别的概率。贝叶斯分类器在处理大数据量数据库时也表现出极高的效率和速度。
一旦定义了类别，系统就应该推断出控制分类的规则，因此系统应该能够找到每个类别的描述。这些描述应该仅参考训练集的预测属性，以便只有正样本满足描述，而不是负样本。如果规则的描述涵盖了所有正样本，而没有涵盖任何负样本，则称其是正确的。
假设所有属性的贡献都是独立的，并且每个属性对分类问题的贡献相同，这种简单的分类方案称为朴素贝叶斯分类。通过分析每个"独立"属性的贡献，可以确定条件概率。分类是通过整合多个属性对待创建预测的影响来进行的。
朴素贝叶斯分类之所以被称为朴素贝叶斯，是因为它假设类条件独立。一个属性值对给定类的影响与其他属性值无关。做出这一假设是为了降低计算成本，因此被视为朴素贝叶斯分类。
在信念网络的学习或训练中，可能存在多种场景。网络拓扑结构可以预先给定，也可以从信息中推断出来。网络变量在某些训练元组中可以是可观测的，也可以是私有的。隐藏数据的方法定义为缺失值或不完整信息。
存在多种算法可以根据可观测变量从训练记录中理解网络拓扑结构。问题在于离散优化。人类专业人员通常能够很好地理解影响所分析领域的直接条件依赖关系，这有助于网络设计。专家应该为直接依赖关系的节点定义条件概率。
这些概率可用于评估剩余的概率值。如果已知网络拓扑结构且变量可观测，则训练网络很简单。它只需计算 CPT 条目，就像计算朴素贝叶斯分类中涉及的概率一样。
当给定网络拓扑结构且隐藏多个变量时，有几种方法可供选择来训练信念网络。它可以定义一种有前景的梯度下降方法。对于那些没有高级数值背景的人来说，这个定义可能看起来相当令人畏惧，因为它充满了微积分公式。
