1. 节点的Name与Title区别。
name是根据IDname的命名规则，只能用字母开头，随后跟数组、下划线。不能出现空格或者发音。
Title突破了这一限制。系统首选Title，如果没有，用name作为节点名字。
2. 节点的Status Value与 Table Value的区别。
Status对应着状态的名字，可以是单词，Status Value表示状态对应的值。
例如爆炸控制系统中“off”状态对应-0.1V，“on”状态对应0.6V。
Table Value表示当前节点的条件概率表中，每个状态的出现概率。
附：Table下面Chance表示不同的状态对应值，Deterministic表示确定值。Probalility选项表示不同表的类型：
function table: 父节点的每一种可能值都对应唯一的输出。如果节点离散，则输入有有限数量的选择。如果连续不离散，则允许输入一个实数值。
conditional probability table：条件概率表（最常用），给出条件概率的先验概率和条件。
expericence table：给表的每行赋予一个确定的非负数。
unnormalized table、 counts table略。
3. 两个问题。
”贝叶斯网络假设节点的概率分布只与其父节点有关，为什么在netica软件中，子节点会影响父节点
”为什么贝叶斯网络给了箭头照贝叶斯网络的马尔科夫假设，子节点不应该影响父节点的。既然说贝叶斯网络是生成模型，那为什么参数学习的时候还是求的条件概率分布呢，我认为应该是联合概率分布。“
zf.shi的回答：
(1) 单向箭头：条件概率不能是双向，这是贝叶斯网络的约定。贝叶斯网络描述了节点的概率影响关系。因为并没有强的因果关系，所以这个箭头只是条件概率关系。而这个关系是因为计算的时候这种表达的结果最优。如果计算时候的得分更大，这个方向就会转变。
(2) 贝叶斯网络与马尔科夫链: 和马尔可夫链类似，贝叶斯网络中的每个状态值取决于前面有限个状态。不同的是，贝叶斯网络比马尔可夫链灵活，它不受马尔可夫链的链状结构的约束，因此可以更准确地描述事件之间的相关性。
(3) 联合概率：联合概率，这个我理解贝叶斯最开始就是联合。但是联合概率计算起来灰常复杂，所以他就找了些条件依赖，转换成条件概率。贝叶斯网络是枚举所有状态可能性，但是这个状态要是全部计算是NP，所以转成条件概率。这是数学上的优化，不是因果上的推理。
贝叶斯网络切记不能理解成因果关系。
PS：逆向推导应该不是反向箭头，相当于 P(A|B)，箭头方向是告诉你B条件下，你答A的分布。反向就是告诉你A是多少，你来回答B的分布。（这里不太懂）
来源：兔子爱读书
声明：本站部分文章及图片转载于互联网，内容版权归原作者所有，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！