如何使用贝叶斯网络计算条件概率查询

Question

我正在研究我的AI课程的贝叶斯网络。 有谁知道如何在附图中计算因果推断和诊断推断？

贝叶斯网络示例

Answer 1

有很多方法可以从贝叶斯网络中进行推理，其中最天真的就是enumeration。

枚举适用于因果推理和诊断推理。不同之处在于找出这种效应基于原因证据（因果推断）的可能性与发现原因基于效果证据的可能性（诊断推断）的可能性。

Answer 2

尼克·拉尔森（Nick Larsen）的回答很好。我会详细说明您的问题，因为您可能正在寻找更具体的东西。

---

问题1： P（C | E）。在经济环境良好（E = 1）的情况下，有前途的职业（C = 1）的可能性是什么？

我们使用贝叶斯网络的分解结构，根据分解变量来写出全部联合概率。

请注意，您刚刚使用了总概率定律来引入潜在变量（S和J），然后将它们边缘化（求和）。我用“帽子”来指代不是（〜在您上面的问题中〜）。还要注意，一旦应用了总概率规则，贝叶斯网络就可以通过允许您将联合概率分解为多个较小的条件概率来为您完成很多艰苦的工作。

---

问题2： P（E | C）。如果我们发现您的职业前景良好（C = 1），那么经济环境为正（E = 1）的可能性是多少？

实际上，我们实际上需要在第一行中应用贝叶斯规则。请注意，您始终会携带一个烦人的归一化常数P（C）。可以用与解决问题1大致相同的方式来解决该问题：

在问题1中解决了P（C = 1 | E = 1）的计算问题。我省略了对于P（C = 0 | E = 1）= 0.5425的计算，但这与问题的处理过程相同1。

现在您可以解决P（E | C）= .38 / .65125 = .583