问题标签 [bayesian-networks]

请就 Java 贝叶斯推理框架提出建议：

我是机器学习的新手。

我有一个有 4 个变量 [X1,X2,X3,X4] 的 BN，我有兴趣根据这些变量预测 Y。对于训练数据，我有 [X1,X2,X3,X4,Y]。但是对于实际数据，我只有 [X1,X2,X3] 并且我想预测 Y。此外，我知道 X4 有条件地独立于 X1、X2 和 X3。

这可能吗？有没有标准的技术来做到这一点？

我正在使用一个数据集来预测一个人是否患有糖尿病。如果在我的数据集中，糖尿病的负面观察数量是正面观察的 10 倍，是否已经考虑到我的贝叶斯算法只会学习和预测负面结果，因为它比其他观察结果更多？

想要确认我用来计算以下疾病的后验概率的技术对于以下贝叶斯网络http://spark-public.s3.amazonaws.com/bigdata/documents/HW6.pdf是正确的

还是应该这样计算，因为有些事件是相互独立的

嗨，我有一个关于我正在尝试开发的系统的概念性问题，该系统试图对电子邮件进行分类。我有一大组 (>100k) 不是垃圾邮件的邮件和一大组未分类的邮件。那么是否可以在没有垃圾邮件数据集的情况下使用一种方法（也许是贝叶斯）来检测垃圾邮件？我绝对需要对垃圾邮件进行分类吗？

我有一些与高斯贝叶斯网络中的部分溯因推理有关的问题（贝叶斯网络适应随机变量的连续性质并共同遵循高斯分布）......

我的问题是：

1. 在高斯贝叶斯网络的情况下，像连接树传播这样的算法是否适用于离散变量贝叶斯网络？
2. 如果不是，那么哪些算法适用于高斯贝叶斯网络？
3. 在高斯贝叶斯网络的情况下，部分溯因推理是否有任何复杂性证明（众所周知，在离散变量贝叶斯网络的情况下，任务是 NP-hard）？
4. 进化算法或 MCMC 采样标准能否应用于高斯贝叶斯网络中的近似部分溯因推理？

如果在这方面帮助我，我将不胜感激。提前致谢...

我正在尝试在 R 中使用朴素贝叶斯进行分类。

这是我的数据：

我需要预测结果列。我正在做类似 iris 示例中的操作：

但我得到：

为什么？！

我正在尝试实现一个因子图。我想从一个单独的文件中读取因子函数。不幸的是，当我从一个文件中读取一个函数只是为了测试时，我得到了错误：

我的代码如下：

我单独的函数输入文件是：

我应该如何通过修复它的参数来制作比原始函数更小的函数：

例如，我想用 sum 函数制作后继函数，如下所示：

现在我正在寻找这样的东西：

g = f(~, 1)这将是后继功能，即g(x) = x+1.

我正在尝试实现贝叶斯网络。

我的主图是我想用于信念传播的因子图。但是，在计算消息时的信念传播中，并非所有参数都传递给函数，最终函数将成为联合分布的限制。

我想到的最好方法是以某种方式限制函数，以便每次我想计算新值的边际时都不进行所有替换。

我在这里问如何实现这样的功能。

我想知道是否有更好的方法来做这样的事情，或者有没有比我想做的更简单、更快的方法。