베일스 추리의 학습노트(6)-마크ov Branket
목표
베일스 추리에 기초한 기계 학습 입문의 학습 노트.
나중에 참조할 방정식을 유지합니다.
연관
베일스 추리 학습 노트(1) - 기본 정의
베일스 추리 학습 노트(2)-이산 확률 분포
베일스 추리 학습 노트(3)-연속 확률 분포
베일스 추리의 학습 노트(4) - 사후 분포의 추정
베일스 추리의 학습노트(5) - 분포 예측 추정
조건 확률 분포와 도형 모델
head-to-tail 모형
아래 그림에서 표현된 도형 모형을 헤드-to-tail 모형이라고 부른다.($y$를 기준으로 화살표의 헤드 (전단) 와tail (선) 을 연결합니다.)
노드 (확률 변수) $y$만 관찰했을 때, 나머지 두 노드 (확률 변수) 의 조건은 다음 표현식으로 동시에 분포됩니다.\begin{align}
p(x, z|y) &= \frac{p(x, y, z)}{p(y)} \\
&= \frac{p(x)p(y|x)p(z|y)}{p(y)} \\
&= \frac{p(x)p(y|x)}{p(y)}p(z|y) \\
&= p(x|y)p(z|y) \\
\end{align}
이 표현식은 $y$를 관찰할 때 $x$, $z$가 독립적임을 나타낸다.(즉, $x$, $z$는 $y$에 대해 조건부 독립적)
tail-to-tail 모형
아래 그림에서 표현된 도형 모델을tail-to-tail모델이라고 부른다.($y$기준으로 연결된 것은 화살표의 tail (선) 뿐입니다.)
\begin{align}
p(x, z|y) &= \frac{p(x, y, z)}{p(y)} \\
&= \frac{p(y)p(x|y)p(z|y)}{p(y)} \\
&= p(x|y)p(z|y) \\
\end{align}
이 공식도 $y$를 관측할 때 $x$, $z$는 독립적이라는 것을 나타낸다.
head-to-head 모형
아래 그림에서 표현된 도형 모형을 헤드-to-head 모형이라고 부른다.($y$기준으로 연결된 것은 화살표의 헤드 (앞부분) 뿐입니다.)
우선, $x$, $z$의 동시 분포를 계산합니다.\begin{align}
p(x, z) &= \int_{y} p(x, y, z)dy \\
&= \int_{y} p(y|x, z)p(x)p(z)dy \\
&= p(x)p(z)\int_{y} p(y|x, z)dy \\
&= p(x)p(z) \cdot 1 \\
&= p(x)p(z) \\
\end{align}
베일스 추리 학습 노트(1) - 기본 정의
베일스 추리 학습 노트(2)-이산 확률 분포
베일스 추리 학습 노트(3)-연속 확률 분포
베일스 추리의 학습 노트(4) - 사후 분포의 추정
베일스 추리의 학습노트(5) - 분포 예측 추정
조건 확률 분포와 도형 모델
head-to-tail 모형
아래 그림에서 표현된 도형 모형을 헤드-to-tail 모형이라고 부른다.($y$를 기준으로 화살표의 헤드 (전단) 와tail (선) 을 연결합니다.)
노드 (확률 변수) $y$만 관찰했을 때, 나머지 두 노드 (확률 변수) 의 조건은 다음 표현식으로 동시에 분포됩니다.\begin{align}
p(x, z|y) &= \frac{p(x, y, z)}{p(y)} \\
&= \frac{p(x)p(y|x)p(z|y)}{p(y)} \\
&= \frac{p(x)p(y|x)}{p(y)}p(z|y) \\
&= p(x|y)p(z|y) \\
\end{align}
이 표현식은 $y$를 관찰할 때 $x$, $z$가 독립적임을 나타낸다.(즉, $x$, $z$는 $y$에 대해 조건부 독립적)
tail-to-tail 모형
아래 그림에서 표현된 도형 모델을tail-to-tail모델이라고 부른다.($y$기준으로 연결된 것은 화살표의 tail (선) 뿐입니다.)
\begin{align}
p(x, z|y) &= \frac{p(x, y, z)}{p(y)} \\
&= \frac{p(y)p(x|y)p(z|y)}{p(y)} \\
&= p(x|y)p(z|y) \\
\end{align}
이 공식도 $y$를 관측할 때 $x$, $z$는 독립적이라는 것을 나타낸다.
head-to-head 모형
아래 그림에서 표현된 도형 모형을 헤드-to-head 모형이라고 부른다.($y$기준으로 연결된 것은 화살표의 헤드 (앞부분) 뿐입니다.)
우선, $x$, $z$의 동시 분포를 계산합니다.\begin{align}
p(x, z) &= \int_{y} p(x, y, z)dy \\
&= \int_{y} p(y|x, z)p(x)p(z)dy \\
&= p(x)p(z)\int_{y} p(y|x, z)dy \\
&= p(x)p(z) \cdot 1 \\
&= p(x)p(z) \\
\end{align}
\begin{align}
p(x, z|y) &= \frac{p(x, y, z)}{p(y)} \\
&= \frac{p(x)p(y|x)p(z|y)}{p(y)} \\
&= \frac{p(x)p(y|x)}{p(y)}p(z|y) \\
&= p(x|y)p(z|y) \\
\end{align}
\begin{align}
p(x, z|y) &= \frac{p(x, y, z)}{p(y)} \\
&= \frac{p(y)p(x|y)p(z|y)}{p(y)} \\
&= p(x|y)p(z|y) \\
\end{align}
\begin{align}
p(x, z) &= \int_{y} p(x, y, z)dy \\
&= \int_{y} p(y|x, z)p(x)p(z)dy \\
&= p(x)p(z)\int_{y} p(y|x, z)dy \\
&= p(x)p(z) \cdot 1 \\
&= p(x)p(z) \\
\end{align}
\begin{align}
p(x, z|y) &= \frac{p(x, y, z)}{p(y)} \\
&= \frac{p(y|x, z)p(x, z)}{p(y)} \\
&= \frac{p(y|x, z)p(x)p(z)}{p(y)} \\
\end{align}
이 식은 더 이상 분해할 수 없기 때문에 조건이 있는 독립된 형식으로 분해할 수 없다.이것은 원래 독립된 $x$, $z$가 $y$를 관측했기 때문에 의존 관계가 있음을 나타낸다.
마르코프 담요
는 $x$를 중심으로 주변 도면 모델을 잘라냅니다.
$x$이외의 노드를 관측했다고 가정합니다.
총결산
Reference
이 문제에 관하여(베일스 추리의 학습노트(6)-마크ov Branket), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/tkosht/items/7fcf49b10f2578fc8b46텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)