그래프 모형: 두 판 사이의 차이
내용 삭제됨 내용 추가됨
잔글 로봇이 더함: zh:圖模式 |
잔글 →참고문헌: {{토막글|전산학}} |
||
13번째 줄: | 13번째 줄: | ||
*[http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html A Brief Introduction to Graphical Models and Bayesian Networks] |
*[http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html A Brief Introduction to Graphical Models and Bayesian Networks] |
||
{{토막글}} |
{{토막글|전산학}} |
||
[[분류:확률론]] |
[[분류:확률론]] |
2008년 2월 18일 (월) 05:47 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
- Graphical models, Chapter 8 of Pattern Recognition and Machine Learning by Christopher M. Bishop
- A Brief Introduction to Graphical Models and Bayesian Networks
이 토막글 틀의 변수는 잘못 사용되었습니다. 알맞은 변수를 토막글 모음에서 골라 사용해 주세요. |