旅游网站建设设计,移动端网站优秀案例,如何建设自己网站首页,前端工程师招聘D分离#xff08;D-Separation#xff09;是一种用来判断变量是否条件独立的图形化方法。相比于非图形化方法#xff0c;D-Separation更加直观#xff0c;且计算简单。对于一个DAG#xff08;有向无环图#xff09;E#xff0c;D-Separation方法可以快速的判断出两个节点… D分离D-Separation是一种用来判断变量是否条件独立的图形化方法。相比于非图形化方法D-Separation更加直观且计算简单。对于一个DAG有向无环图ED-Separation方法可以快速的判断出两个节点之间是否是条件独立的。 概念很多的机器学习模型都可以用概率的角度去解释其中一类重要的模型就是概率图模型而是概率图模型的灵魂就是模型变量间的条件独立性。 因为有了独立性才有了各种不同的概率图模型比如LDA,HMM等等模型。在概率图中变量间的独立性是怎么体现的呢D-分离准则就是一种简单的技巧去判断一个概率图中的独立性的。 简单的说如果在概率图模型中比如说X,Y两个节点没有边使得X和Y之间肯定存在某种独立性这种独立性可以是在某个子集Z的条件下使得他们独立也可能是他们两个本身就是独立的这时我们称XY之间是D-分离的。现在先给出D-分离的准则
定义: 当路径p被结点集Zd-分离或被blocked掉时当且仅当以下条件成立
① 若p包含形式如下的链i-m-j 或i-m-j则结点m在集合Z中。
② 若p中包含collider碰撞点i-m-j,则结点m不在Z中且m的子代也不在Z中。 更具体地讲如果Z将X和Y d-separate当且仅当Z将XY之间的每一条路径都block掉。
接下来逐步的介绍上述的准则我们可以拆分成3个规则来考虑:
首先这里我们先说明一下path我们说两个结点之间的path的时候是不管他们之间边的方向的。 没有条件集的独立性
规则如果x到y的任一path(路径)都经过collider(碰撞点)则x和y独立。注意这里的路径是忽略边的方向的而碰撞点是指有多个箭头指向的它的节点即类似于下图的A-B-C head-to-head:A,C 独立 如果这个模型一旦在那里面见到了认为他们是联通的就认为他们是独立的 但是如果它们的中心节点B 属于条件的一部分那就和他们的原先属性相反了他们就是不联通的 就变成了有独立性的了。 规则2当x到y的之间的任一路径都经过Z中的节点且Z并不包含碰撞点或碰撞点的子代则x和y独立。
tail-to-tailA-B-C: A,C并不独立 head-to-tail A-B-CA、C并不独立 注意 如果这两个模型一旦在那里面见到了就认为他们是联通的即认为他们是不独立的 但是如果它们的中心节点B 属于条件的一部分那就和他们的原先属性相反了他们就是不联通的 就变成了有独立性的了。
实例 1. 2. 3.
4.
