2,443
个编辑
更改
无编辑摘要
|description=是一种用图表示随机变量之间条件依赖关系的概率模型。
|description=是一种用图表示随机变量之间条件依赖关系的概率模型。
}}
}}
'''图模型 Graphical Model'''，亦称'''概率图模型 Probabilistic Graphical Model（PGM）'''或'''结构化概率模型 structured probabilistic model'''，是一种用图表示随机变量之间条件依赖关系的概率模型。它们通常用于概率论、统计学，尤其是[[贝叶斯统计学]]和[[机器学习]]。
'''图模型 Graphical Model'''，亦称'''概率图模型 Probabilistic Graphical Model（PGM）'''或'''结构化概率模型 structured probabilistic model'''，是一种用图表示随机变量之间条件依赖关系的概率模型。它们通常用于概率论、统计学，尤其是贝叶斯统计学和[[机器学习]]。
[[File:Graph model.svg|thumb|right|这是一个图模型的例子。每个箭头表示一个依赖关系。在这个例子中: D 依赖于 A、 B 和 C; C 依赖于 B 和 D; 而 A 和 B 相互独立。]]
[[File:Graph model.svg|thumb|right|这是一个图模型的例子。每个箭头表示一个依赖关系。在这个例子中: D 依赖于 A、 B 和 C; C 依赖于 B 和 D; 而 A 和 B 相互独立。]]
==图模型的类别==
==图模型的类型==
一般来说，概率图模型中图的表示方法常常作为对多维空间上的分布进行编码的基础，而图是一组独立分布的紧凑或分解表示。常用的概率图模型大致分为两类：贝叶斯网络和马尔可夫随机场。这两种都包含因子分解和独立性的性质，但是在它们可以编码的一系列独立性和它们所诱导的分布的因子分解上有所不同。 <ref name=koller09>{{ cite book|author=Koller, D.|author2=Friedman, N.|title=Probabilistic Graphical Models|url=http://pgm.stanford.edu/|publisher=MIT Press|location=Massachusetts|year=2009|pages=1208|isbn=978-0-262-01319-2|archive-url=https://web.archive.org/web/20140427083249/http://pgm.stanford.edu/|archive-date=2014-04-27|url-status=dead}}</ref>
概率图理论共分为三个部分，分别为概率图模型表示理论，概率图模型推理理论和概率图模型学习理论。 <ref>
==应用==
==应用==
该模型的框架为发现和分析复杂分布中的结构、简洁地描述结构和提取非结构化信息提供了算法，使模型得到有效的构建和利用。图形模型的应用包括[[因果推理]]、信息抽取、[[语音识别]]、[[l计算机视觉]]、低密度奇偶校验码的解码、基因调控网络的建模、基因发现和疾病诊断，以及蛋白质结构的图形模型。