Artificial intelligence 贝叶斯网络：独立性与条件独立性

我对贝叶斯网络有一些误解。我的主要误解是独立和有条件的独立

如果我必须计算

P（入室盗窃| Johncall）

，

---

是不是因为我看到了入室盗窃独立于Johncalls？？？

报警，入室盗窃独立于Johncalls。所以P（B | A，J）=P（B | A）

解释示例

这个想法是，约翰只能告诉你警报响了。但是，如果你已经知道有警报，那么约翰的电话将不会告诉你任何关于入室盗窃可能性的新消息。是的，你知道约翰听到了警报，但当你要求入室行窃时，你对这个不感兴趣

条件独立性

在学校里，你可能已经学会了无条件独立，当p（A | B）=p（A）*p（B）时。无条件独立使计算变得容易，但发生的情况非常少——在信念网络中，无条件独立的节点将是不相连的

---

另一方面，条件独立稍微复杂一些，但发生得更频繁。这意味着，当学习到另一个“分离”事实时，两个事件的概率变得相互独立。

马尔可夫覆盖是否与条件独立有关？？？@Noor一个变量是独立于其他任何事物的，给定其马尔可夫覆盖。你不需要知道毯子后面的任何东西。这类似于马尔可夫过程，其中覆盖层是最后一个状态（t-1），这使得当前状态（t）独立于所有其他过去的状态（a，所有其他节点都始终是有效的马尔可夫覆盖层–因此答案是否定的。但您的陈述适用于最小马尔可夫覆盖层，即在不使马尔可夫覆盖层失效的情况下，无法移除变量。我明白了。谢谢你的解释，@ziggystar。我投票结束这个问题，因为它与编程无关。