machine-learning - 用贝叶斯网络对新实例进行分类

说我有以下贝叶斯网络：



我想在H = true或H = false上对新实例进行分类，
新实例看起来像像这样：Fl=true, A=false, S=true, and Ti=false。

如何根据H对实例进行分类？

我可以通过乘以表中的概率来计算概率：

0.4 * 0.7 * 0.5 * 0.2 = 0.028

这对新实例是否为正实例H表示什么？

编辑
我将根据Bernhard Kausler的建议尝试计算概率：

这是贝叶斯的规则：
P(H|S,Ti,Fi,A) = P(H,S,Ti,Fi,A) / P(S,Ti,Fi,A)

计算分母：
P(S,Ti,Fi,A) = P(H=T,S,Ti,Fi,A)+P(H=F,S,Ti,Fi,A) = (0.7 * 0.5 * 0.8 * 0.4 * 0.3) + (0.3 * 0.5 * 0.8 * 0.4 * 0.3) =0.048

P(H,S,Ti,Fi,A) = 0.336

所以P(H|S,Ti,Fi,A) = 0.0336 / 0.048 = 0.7

现在我计算P(H=false|S,Ti,Fi,A) = P(H=false,S,Ti,Fi,A) / P(S,Ti,Fi,A)
我们已经有了P(S,Ti,Fi,A´. I's ´0.048的值。

P(H=false,S,Ti,Fi,A) =0.0144

所以P(H=false|S,Ti,Fi,A) = 0.0144 / 0.048 = 0.3

P(H=true,S,Ti,Fi,A)的概率最高。因此新实例将被分类为H = True

它是否正确？

加法：我们不需要计算P(H=false|S,Ti,Fi,A)，因为它是1-P(H=true|S,Ti,Fi,A)。

最佳答案

因此，您要计算条件概率P(H|S,Ti,Fi,A)。为此，您必须使用贝叶斯规则：

P(H|S,Ti,Fi,A) = P(H,S,Ti,Fi,A) / P(S,Ti,Fi,A)

哪里

P(S,Ti,Fi,A) = P(H=T,S,Ti,Fi,A)+P(H=F,S,Ti,Fi,A)

然后，您可以计算两个条件概率P（H = T | S，Ti，Fi，A）和P（H = F | S，Ti，Fi，A）并根据哪个概率更高进行预测。

只是将数字相乘就没有用，因为乘积未标准化，甚至没有给您适当的概率。

关于machine-learning - 用贝叶斯网络对新实例进行分类，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/15522950/