Байесовская сеть: различия между версиями

Перейти к навигации Перейти к поиску
нет описания правки
(Новая страница: «'''Байесовская сеть''' (или байесова сеть, байесовская сеть доверия, англ. Bayesian network, belief ne…»)
 
Нет описания правки
Строка 1: Строка 1:
'''Байесовская сеть''' (или байесова сеть, байесовская сеть доверия, англ. [[Bayesian network]], belief network) — графическая вероятностная модель, представляющая множество переменных и их вероятностных зависимостей посредством [[ациклический граф|ациклического]] [[орграф|орграфа]]. Например, байесовская сеть может быть использована для вычисления вероятности того, чем болен пациент по наличию или отсутствию ряда симптомов, основываясь на данных о зависимости между симптомами и болезнями. Математический аппарат сетей Байеса создан американским учёным Джудой Перлом, лауреатом Премии Тьюринга (2011).
'''Байесовская сеть''' (или сеть Байеса, байесова сеть, байесовская сеть доверия, англ. [[Bayesian network]], belief network) — графическая вероятностная модель, представляющая множество переменных и их вероятностных зависимостей посредством [[ациклический граф|ациклического]] [[орграф|орграфа]]. Например, байесовская сеть может быть использована для вычисления вероятности того, чем болен пациент по наличию или отсутствию ряда симптомов, основываясь на данных о зависимости между симптомами и болезнями. Математический аппарат сетей Байеса создан американским учёным Джудой Перлом, лауреатом Премии Тьюринга (2011).


Формально, '''байесовская сеть''' — это [[ациклический граф|ациклический]] [[орграф]], каждой [[вершина|вершине]] которого соответствует случайная переменная, а [[дуга|дуги]] графа кодируют отношения условной независимости между этими переменными. Вершины могут представлять переменные любых типов, быть взвешенными параметрами, скрытыми переменными или гипотезами. Существуют эффективные методы, которые используются для вычислений и обучения байесовских сетей.  
Формально, '''байесовская сеть''' — это [[ациклический граф|ациклический]] [[орграф]], каждой [[вершина|вершине]] которого соответствует случайная переменная, а [[дуга|дуги]] графа кодируют отношения условной независимости между этими переменными. Вершины могут представлять переменные любых типов, быть взвешенными параметрами, скрытыми переменными или гипотезами. Существуют эффективные методы, которые используются для вычислений и обучения байесовских сетей.  


Если переменные байесовской сети являются дискретными случайными величинами, то такая сеть называется ''дискретной байесовской сетью''. Байесовские сети, которые моделируют последовательности переменных, называют динамическими байесовскими сетями. Байесовские сети, в которых могут присутствовать как дискретные переменные, так и непрерывные, называются ''гибридными байесовскими сетями''. Байесовская сеть, в которой дуги помимо отношений условной независимости кодируют также отношения причинности, называют ''причинно-следственными байесовскими сетями'' (англ. causal bayesian networks).
Если переменные байесовской сети являются дискретными случайными величинами, то такая сеть называется ''дискретной байесовской сетью''. Байесовские сети, которые моделируют последовательности переменных, называют динамическими байесовскими сетями. Байесовские сети, в которых могут присутствовать как дискретные переменные, так и непрерывные, называются ''гибридными байесовскими сетями''. Байесовская сеть, в которой дуги помимо отношений условной независимости кодируют также отношения причинности, называют ''причинно-следственными байесовскими сетями'' (англ. causal bayesian networks).
68

правок

Навигация