子节点的贝叶斯网络概率
Bayesian Network Probability For Child Node
给定以下贝叶斯网络确定概率。
在图1所示的网络中，假设：
P("alternator broken"=true) = 0.02
P("no charging"=true | "alternator broken"=true) = 0.95
P("no charging"=true | "alternator broken"=false) = 0.01.
What is P("no charging"=false)? How is it derived?
如果没有有关 "fanbelt broken" 的信息，您将如何确定 "no charging"？
以下情况是否为真：
P("no charging"=假) =
P("alternator broken"=true) * P("no charging"=true | "alternator broken"=true) + P("alternator broken"=假) * P("no charging"=真 | "alternator broken"=假)
不可能
要计算给定 BN 的 P("no charging")，您缺少 fanbelt broken 的先验。 而且 no charging 的 CPT 未指定，因为 no charging 取决于 fanbelt broken。
但您可能想要
你能对现有信息做的最好的事情就是忽略 fanbelt broken。如果 P( "charging" | "alternator broken") 的值是通过对 fanbelt broken 进行正确的期望得到的，那么结果是正确的。如果后者为真，这意味着 fanbelt broken 已经被消除（求和），并且它的影响被并入 CPT 以进行“充电”。
给定以下贝叶斯网络确定概率。
在图1所示的网络中，假设：
P("alternator broken"=true) = 0.02
P("no charging"=true | "alternator broken"=true) = 0.95
P("no charging"=true | "alternator broken"=false) = 0.01.
What is P("no charging"=false)? How is it derived?
如果没有有关 "fanbelt broken" 的信息，您将如何确定 "no charging"？ 以下情况是否为真： P("no charging"=假) = P("alternator broken"=true) * P("no charging"=true | "alternator broken"=true) + P("alternator broken"=假) * P("no charging"=真 | "alternator broken"=假)
不可能
要计算给定 BN 的 P("no charging")，您缺少 fanbelt broken 的先验。 而且 no charging 的 CPT 未指定，因为 no charging 取决于 fanbelt broken。
但您可能想要
你能对现有信息做的最好的事情就是忽略 fanbelt broken。如果 P( "charging" | "alternator broken") 的值是通过对 fanbelt broken 进行正确的期望得到的，那么结果是正确的。如果后者为真，这意味着 fanbelt broken 已经被消除（求和），并且它的影响被并入 CPT 以进行“充电”。