Answers:
贝叶斯网络(BN's)是生成模型。假设你有一组输入,和输出。BN允许您学习联合分布,而不是像逻辑回归或支持向量机(Support Vector Machine)那样对条件分布建模。
学习数据的联合概率分布(生成模型)比学习条件概率(区分模型)更加困难。但是,前者提供了更通用的模型,您可以在其中运行诸如或等查询。使用判别模型时,您的唯一目的是学习。
国阵利用DAG规定联合分布。因此,它们是图形模型。
优点:
当您有很多丢失的数据时,例如在医学中,BN可以非常有效,因为对联合分布进行建模(即您对数据生成方式的断言)可以减少您对完整观察的数据集的依赖。
当您想要以一种视觉上透明的方式为域建模并且还旨在捕获关系时,BN可以非常强大。请注意,国阵的因果关系假设值得商debate。
学习联合分布是一项艰巨的任务,尽管要为连续变量建模(通过条件概率表(即CPT)的计算),要比对连续变量进行建模要容易得多。因此,BN实际上在离散变量中更为常见。
BN不仅允许观察推断(如所有机器学习模型所允许的),而且还允许因果干预。这是国行的一个通常被忽视和未被重视的优势,并且与反事实推理有关。