我正试图围绕贝叶斯网络的采样（现在简单的未经优化的先前采样）。据我所知，这个想法是产生有限数量的样本，看看它们如何通过网络传播。我不明白，为什么这个过程需要一个随机数生成器。
假设您有一个带有条件概率分布（CPD）的随机变量节点，如下所示：
| Color | P(Color) |
|------------------|
| Red | 0.1 |
| Green | 0.2 |
| Blue | 0.7 |
然后我可以找到的介绍说，对于你想要采取的每个样本，你应该调用 random（） - 函数，例如 [0.0,1.0）中的某些内容，然后检查哪个子区间红色：[0.0,0.1），绿色：[0.1,0.3）< / strong>或蓝色：[0.3,1.0] 它会下降。
我的问题是，为什么甚至打电话给随机数发生器？毕竟，你的概率就在你的面前。如果您提前做出决定，想要创建一个 n 样本数量，那么 0.1 * n 样本就不能为红色， 0.2 * n 样品为绿色， 0.7 * n 样品为蓝色？对于具有CPD的子节点，您可以根据它们各自的条件概率分割所有红色，绿色和蓝色样本，同样不使用随机数生成器。
这仍然是一个近似值，因为你还没有推理完整的联合概率分布。并且在极限情况下，这仍应接近 n - >的正确条件概率。无限，不应该吗？
答案 0 :(得分：0)
你是对的，你不需要随机抽样。通常，如果图形不是很大，您可以计算确切的rigth答案（例如通过变量消除）。然而，在实践中，概率模型通常非常复杂。变量消除等算法可能对它们来说太慢了。采样方法是一种近似算法的方法，通过重复生成随机数来产生答案。考虑到你可能有很多节点和边缘，需要计算它们之间的概率来回答，例如P（颜色=蓝色，NodeB = value1，......等等）。该解决方案可以是指数时间计算（取决于网络的大小）。
为什么在抽样中生成随机数？您需要随机，因为如果没有随机选择样本，它可能会以某种方式存在偏差。您需要确保数据代表人口，并且通过随机数生成器来实现此目的。
答案 1 :(得分：0)
以下是Hernan C. Vazquez的评论，他在第一个答案的背景下从交换中获取。在这次交流中，他的评论回答了我原来的问题，所以我想我会把它们作为答案发布在这里。
您需要随机，因为如果没有随机选择样本，它可能会以某种方式存在偏差。您需要确保数据代表人口，并且通过随机数生成器来实现此目的。
换句话说，你可以有每个0.5的头或尾。如果我想取2个样本（n = 2），并且我使用0.5 * n那么我每次出现头部或尾部时都是相反的，P（head | tail）= 1，反之亦然。而且这不是代表性的样本，因为P（head | tail）= 0.5。你正在改变游戏规则。