对PGM的一些理解
PGM全称叫概率图模型,没学之前,感觉没什么用。现在学习了,感觉用处太大了。下面就我的一些学习感悟及学习路程记录下来,难免会有些错误的思想,欢迎走过路过的朋友多多指正。
2016.12.23
我是学习PRML这本经典的教材,现在在学习8.4.4节,“和—积 算法”,几天就先写这一节的感悟,前面几节以后补上。
1、该算法是一个高效的求变量x的边缘概率分布的算法。
2、该算法首先将有向图、无向图或多树等转化为因子图,然后利用因子图框架进行推到的。
3、徒说无益,上一例子说明:
举例之前,你应该首先明白“在因子图中,变量节点到因子节点或者因子节点到变量节点的是通过信息(message)来交互的”
这是一个4节点因子图,它的联合概率分布我们是可以直接写出来的:
我们目的要求节点 x2的边缘概率分布
怎么办呢?我们现在假设以x3为根节点,x1和x4是叶子节点,那么节点间的信息流表示出来如下:
蓝色的箭头即为信息流动的方向。
划重点了,x2的边缘概率就等于流经x2的信息流的乘积。及三个绿色的椭圆标出的绿色箭头。即所有与变量节点x2相连的因子节点(红色正方形)的乘积。
那么红色正方向怎么求呢?
这其实涉及到了怎么分析:从叶子节点开始,一步步的分析,一直到根节点。然后根节点再返回来,一步步的到达叶子节点。中间会经过这些因子节点的,同时不同方向的信息流大小也是可以算出来的。
叶子节点到根节点:
根节点再到叶子节点:
以上就是信息流大小的计算过程。
那么x2的边缘概率就可以轻易的计算出来了
最后补一句,我们和积算法的计算公式其实是
OK,这就是我理解的和–积算法,感觉还有很多没理解透彻,以后再补吧。
print 'goodnight world!'
gaojq007: 亲测可用
LLOOOOPP: 。。。医学生路过,真的苦逼,一个破题搜题都搜不明白,根本背不完
开心大猪蹄子: 请教博主,我在虚拟机里面同时安装了centos和Ubuntu,采用的是NAT模式,都能和主机Ping通,网络也都正常,都设置了静态IP,但是在使用xshell连接时,centos可以正常连接(我先装的centos)关闭centos打开Ubuntu,进行连接,xshell不弹出用户密码框,请问您有遇到类似问题吗
weixin_45987347: 666楼主牛逼
java后端指南: 我也是一样