2,443
个编辑
更改
无编辑摘要
其中：
其中：
图模型的表示representation是指：如何用图模型来将概率分布进行表示；
* 图模型的表示representation是指：如何用图模型来将概率分布进行表示；
* 图模型的推理inference是指：在已知图模型的情况下，如何计算某一未知节点的概率；
图模型的学习learning是指：对图的结构和参数的学习。
* 图模型的学习learning是指：对图的结构和参数的学习。
其中，<math>w_k</math>是权重，<math>\phi_k</math>是势函数，映射团<math>k</math>到实数。
其中，<math>w_k</math>是权重，<math>\phi_k</math>是势函数，映射团<math>k</math>到实数。
==图模型的推理==
概率图模型的推理方法主要分精确推理和近似推理两大类，而根据网络结构和查询问题的不同，概率图模型的推理方法可以分为三大类，分别是BN和MN的推理、混合网络的推理和DBN的推理，然后再根据查询问题的形式对每一类推理方法继续细分，下图着重介绍BN和MN的推理。<ref>刘建伟,崔立鹏,黎海恩,罗雄麟. 概率图模型推理方法的研究进展[J]. 计算机科学, 2015, 42(4): 1-18, 30.</ref>
[[File:BN和MN的推理算法分类.png| BN和 MN的推理算法分类]]
其中概率查询是计算后验概率分布P（Y|E=e），其中Y是查询变量集，E为证据变量集；MAP表示最大后验概率查询，也称最有可能解释查询，即求出非证据变量集的最有可能取值。
==图模型的学习==
由于概率图模型的表示分参数表示和结构表示两个部分, 因此学习算法也分为参数学习与结构学习两大类。
===其他类别===
===其他类别===