machine-learning - 使用贝叶斯网络对新实例进行分类

Question

假设我有以下贝叶斯网络：

而且我想在 H=true 或 H=false 上对新实例进行分类，新实例看起来像这样：Fl=true, A=false, S=true, and Ti=false。

如何根据 H 对实例进行分类？

我可以通过将表中的概率相乘来计算概率：

0.4 * 0.7 * 0.5 * 0.2 = 0.028

这说明了新实例是否是正实例 H？

编辑 我将尝试根据 Bernhard Kausler 的建议计算概率：

所以这是贝叶斯规则： P(H|S,Ti,Fi,A) = P(H,S,Ti,Fi,A) / P(S,Ti,Fi,A)

计算分母： P(S,Ti,Fi,A) = P(H=T,S,Ti,Fi,A)+P(H=F,S,Ti,Fi,A) = (0.7 * 0.5 * 0.8 * 0.4 * 0.3) + (0.3 * 0.5 * 0.8 * 0.4 * 0.3) =0.048

P(H,S,Ti,Fi,A) = 0.336

所以P(H|S,Ti,Fi,A) = 0.0336 / 0.048 = 0.7

现在我计算P(H=false|S,Ti,Fi,A) = P(H=false,S,Ti,Fi,A) / P(S,Ti,Fi,A) 我们已经有了P(S,Ti,Fi,A´. I's ´0.048.

P(H=false,S,Ti,Fi,A) =0.0144

所以P(H=false|S,Ti,Fi,A) = 0.0144 / 0.048 = 0.3

的概率P(H=true,S,Ti,Fi,A)是最高的。所以新实例将被分类为H=True

这个对吗？

加法：我们不需要计算P(H=false|S,Ti,Fi,A)，因为它是 1 - P(H=true|S,Ti,Fi,A)。

Answer 1

所以，你想计算条件概率P(H|S,Ti,Fi,A)。为此，您必须使用贝叶斯规则：

P(H|S,Ti,Fi,A) = P(H,S,Ti,Fi,A) / P(S,Ti,Fi,A)

在哪里

P(S,Ti,Fi,A) = P(H=T,S,Ti,Fi,A)+P(H=F,S,Ti,Fi,A)

然后计算两个条件概率 P(H=T|S,Ti,Fi,A) 和 P(H=F|S,Ti,Fi,A) 并根据哪个概率更高进行预测。

只是像你一样将数字相乘并没有帮助，甚至不会给你一个适当的概率，因为产品没有标准化。