그래프 모형: 두 판 사이의 차이

내용 삭제됨 내용 추가됨

인라인

2007년 8월 28일 (화) 21:37 판

확률론, 통계학, 기계 학습에서의 그래프 모형(GM; Graphical Model)은 확률 변수 간의 독립성을 그래프로 표현한다. 이때, 확률 변수는 마디(edge)로 표현되며, 확률 변수 간의 조건적 독립성(conditional independency)은 모서리(edge)로 표현된다.

GM의 일반적인 두 형태는 방향성 모서리를 갖는 그래프와 무뱡향성 모서리를 갖는 그래프로 나누어진다. 만약 네트워크의 구조가 방향성 비순환 그래프(DAG; directed acyclic graph)라면, GM은 모든 확률 변수의 결합 확률의 분해(factorization)를 나타낸다.

같이 보기

참고문헌

이 글은 토막글입니다. 여러분의 지식으로 알차게 문서를 완성해 갑시다.

@@ 5번째 줄: / 5번째 줄: @@
 만약 네트워크의 구조가 [[방향성 비순환 그래프]](DAG; directed acyclic graph)라면, GM은 모든 확률 변수의 [[결합 확률]]의 분해(factorization)를 나타낸다.
-==같이 보기==
+== 같이 보기 ==
 * [[Belief propagation]]
 * [[베이즈 네트워크]]
-==참고문헌==
+== 참고문헌 ==
 *[http://research.microsoft.com/%7Ecmbishop/PRML/Bishop-PRML-sample.pdf Graphical models, Chapter 8 of Pattern Recognition and Machine Learning by Christopher M. Bishop]
 *[http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html A Brief Introduction to Graphical Models and Bayesian Networks]
+{{토막글}}
-[[Category:확률론]]
-[[Category:베이즈 네트워크]]
-[[Category:통계학]]
+[[분류:확률론]]
-[[es:Modelo en grafo]]
+[[분류:베이즈 네트워크]]
+[[분류:통계학]]
+[[en:Graphical model]]
-{{토막글}}
+[[es:Modelo en grafo]]