Machine learning 作为分类器输出的图形

似乎我有一个非常常见的任务，但我缺少一些可以帮助我找到信息的关键字。所以我陈述了我的任务

有人。每个人都知道一组变量。一对人员P1和P2可以处于以下关系之一（即类）：

亲子

兄弟姐妹

合作伙伴（重要的合作伙伴）

其他（一些间接亲属或非家庭成员）

通过选择具有已知关系的成对变量（Pi，Pk），我可以训练朴素贝叶斯分类器来预测类。这很好

现在。我有一组人P1，P2。。。Pm，我需要建立代表家谱的最可能图。我可以两两使用Bayes分类器，但在这种情况下，我不会使用存储在图形/多个节点组合中的大量信息

例如，给出了节点P1、P2、P3和P4。我的贝叶斯分类器认为P2是P1的父级，P4是P3的父级，概率为0.9。对于P1和P3之间的关系，对于兄弟姐妹，它返回p=0.31，对于伙伴，它返回p=0.34，因此结果非常不可靠。现在，如果P2和P4之间关系的分类产生“伙伴”的概率很高，比如说0.7，我可以更确定P1和P3实际上是兄弟姐妹。另一方面，如果P2和P4是概率为0.8的“其他”，那么我更安全地得出结论，P1和P3是合作伙伴

我可以手工编写这个逻辑，但我认为还有更多的情况和逻辑依赖，特别是如果我们想为大约10或20个人构建一个关系图的话。因此，我想使用某种分类器或分类器系统

但是这个分类器系统的输出将不是一个二进制或标量值，而是一个完整的图。我可以使用什么或从哪里开始查找

---

谢谢

你想让一些人做点什么。就像图形比比特复杂得多，结构学习比分类复杂得多

你们可能想找到一个最大后验概率（MAP）家谱，这取决于你们对个体关系的概率知识。鉴于你的所有知识，地图是最有可能完成的任务。找出概率相关项之间关系的一般问题称为推理，有时称为推理

---

我不知道你是否能在最近完成的课程中获得课程材料，但那将是一个很好的学习。

你想让一些人做些什么。就像图形比比特复杂得多，结构学习比分类复杂得多

你们可能想找到一个最大后验概率（MAP）家谱，这取决于你们对个体关系的概率知识。鉴于你的所有知识，地图是最有可能完成的任务。找出概率相关项之间关系的一般问题称为推理，有时称为推理

我不知道你是否能在最近完成的课程中获得课程材料，但那将是一个很好的学习