Un modelo probabilístico gráfico es un modelo probabilístico en el que las dependencias entre variables aleatorias se representan como un gráfico . Los vértices del gráfico corresponden a variables aleatorias y los bordes corresponden a relaciones probabilísticas directas entre variables aleatorias. Los modelos gráficos se utilizan ampliamente en la teoría de la probabilidad , las estadísticas (especialmente las estadísticas bayesianas ) y también en el aprendizaje automático .
Una red bayesiana es un caso de un modelo gráfico de gráfico acíclico dirigido , donde los bordes dirigidos codifican relaciones de dependencia probabilísticas entre variables.
Según la red bayesiana, la distribución conjunta de variables se escribe fácilmente: si los eventos (variables aleatorias) se denotan como
entonces la distribución conjunta satisface la ecuación
donde es el conjunto de antepasados de vértice del vértice . En otras palabras, la distribución conjunta se representa como un producto de distribuciones atómicas condicionales, que generalmente se conocen. Dos vértices cualesquiera que no estén conectados por una arista son condicionalmente independientes si se conoce el valor de sus ancestros. En general, dos conjuntos de vértices cualesquiera son condicionalmente independientes, dados los valores del tercer conjunto de vértices, si el gráfico satisface la condición de d -separabilidad . La independencia local y global son equivalentes en la red bayesiana
Un caso especial importante de la red bayesiana es el modelo oculto de Markov
Los campos aleatorios de Markov están dados por un gráfico no dirigido. A diferencia de las redes bayesianas, pueden contener ciclos.
Con la ayuda de los campos aleatorios de Markov, es posible representar convenientemente las imágenes utilizando una estructura de cuadrícula, lo que permite resolver, por ejemplo, el problema de filtrar el ruido en una imagen.
Los modelos gráficos se utilizan en la extracción de información , el reconocimiento de voz , la visión por computadora , la decodificación de códigos de verificación de paridad de baja densidad , el descubrimiento de genes y el diagnóstico de enfermedades.
Graficar modelos probabilísticos | |
---|---|
|
Aprendizaje automático y minería de datos | |
---|---|
Tareas | |
Aprendiendo con un maestro | |
análisis de conglomerados | |
Reducción de dimensionalidad | |
Pronóstico estructural | |
Detección de anomalías | |
Graficar modelos probabilísticos | |
Redes neuronales | |
Aprendizaje reforzado |
|
Teoría | |
revistas y congresos |
|