Question

我想知道关于朴素贝叶斯的贝叶斯网络。实际上，在贝叶斯网络中，连接不同变量的箭头通常定义了变量之间的因果关系。

朴素贝叶斯是贝叶斯网络的特例，其中有一个要分类的变量和观测变量。这个特殊网络的箭头总是从变量中指向要分类的观察变量。

一个典型的例子是Diagnostic。要分类的变量是“疾病”，观察变量例如是“体温”，“头痛”。将有两个箭头，从“疾病”指向“头痛”和“体温”。因此，天真的贝叶斯认为“疾病是”头痛“和”体温“的原因。

然而，如果我在另一个案例中：我想预测我是否可以踢足球，知道天气和时间。如果我想使用朴素贝叶斯网，我会画“从足球”到“天气”和“时间”的箭头。但从物理角度来看，不可能说“足球”会导致“天气”和“时间”！这是否意味着在这种情况下不可能使用朴素贝叶斯？或者无论如何人们都在使用它，而不关心网络的物理意义？

非常感谢！

Answer 1

我希望我的Java演示代码可以帮助您解决混乱。实际上，大多数独立随机事件都可以使用朴素贝叶斯来解决。贝叶斯网络，我理解它将处理更复杂的关系，如人类情感模拟等。

public class WeatherTimeSoccer {
    /**
     * Soccer  Weather  Time
     * ------  -------  ----
     * Play    Sunny    AM
     * Play    Sunny    PM
     * Play    Rain     PM
     * NotPlay Sunny    AM    
     * NotPlay Rain     PM
     * NotPlay Rain     PM
     */
        static float PSunnyPlay = 0.67f;
        static float PSunnyNotPlay = 0.33f;
        static float PPMPlay = 0.50f;
        static float PPMNotPlay = 0.50f;
        public static void main(String[] args) {
        //Sample Sunny-PM
        System.out.println(posteriorPlay() + "-" + posteriorNotPlay());
    }

    public static float posteriorPlay(){
        return PSunnyPlay * PPMPlay;
    }
    public static float posteriorNotPlay(){
    return PSunnyNotPlay * PPMNotPlay;
        }
    }

Omkar Lad：Naive Bayes假设所有特征在条件上彼此独立。因此，这允许我们将贝叶斯规则用于概率。通常这种独立性假设对大多数情况都很有效，即使实际上它们并不是真正独立的。贝叶斯网络没有这样的假设。贝叶斯网络中的所有依赖都必须建模。形成的贝叶斯网络（图形）可以由机器本身学习，或者可以由开发人员在之前设计，如果他对相关性有足够的了解。

来自：https://www.quora.com/Whats-the-difference-between-a-naive-Bayes-classifier-and-a-Bayesian-network

朴素贝叶斯的成因和后果

1 个答案: