Machine learning 用贝叶斯网对新实例进行分类

假设我有以下贝叶斯网络：

我想将一个新实例分类为H=true还是H=false， 新实例如下所示：

Fl=true、A=false、S=true和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

关于新实例是否为正实例H，这说明了什么

编辑 我将尝试根据Bernhard Kausler的建议计算概率：

这就是贝叶斯法则：

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

要计算分母，请执行以下操作：

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

因此

p（hs，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'）的值。I'0.048

p（H=false，S，Ti，Fi，A）=0.0144

因此

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

这是正确的吗

---

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）

所以，你要计算条件概率

p（H | S，Ti，Fi，A）

。要做到这一点，你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)

在哪里

然后计算条件概率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

---

像你那样把数字相乘是没有用的，甚至不能给你一个正确的概率，因为乘积不是标准化的。

所以，你要计算条件概率

p（H | S，Ti，Fi，a）

。要做到这一点，你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)

在哪里

然后计算条件概率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

---

像你那样把数字相乘是没有用的，甚至不能给你一个正确的概率，因为乘积不是标准化的。

是把每个概率相乘来计算p（H，S，Ti，Fi，a）？-->p（H）*p（S）*…？@user1291235是的，但是你当然只能对随机变量的某些实例进行计算，例如p（H=T，S=T，Ti=T，Fi=T，A=T）=0.7*0.8*0.8*0.4*0.3谢谢你，我试图解决它，并编辑了我的问题，你能看一下吗？：）是P（H，S，Ti，Fi，A）通过乘以每个概率计算出来的吗？->P（H）*P（S）*…？@user1291235是的，但你当然只能计算随机变量的某些实例，例如P（H=T，S=T，Ti=T，Fi T，A=T）=0.7*0.8*0.8*0.4*0.3谢谢你，我试着解决它，编辑了我的问题，你能看一下吗？：）