그래프 모형: 두 판 사이의 차이
내용 삭제됨 내용 추가됨
잔글 로봇이 더함: ru:Графическая вероятностная модель |
잔글 r2.7.1) (로봇이 더함: sr:Grafički model |
||
20번째 줄: | 20번째 줄: | ||
[[es:Modelo en grafo]] |
[[es:Modelo en grafo]] |
||
[[ru:Графическая вероятностная модель]] |
[[ru:Графическая вероятностная модель]] |
||
[[sr:Grafički model]] |
|||
[[zh:圖模式]] |
[[zh:圖模式]] |
2012년 6월 17일 (일) 10:55 판
확률론, 통계학, 기계 학습에서의 그래프 모형(GM; Graphical Model)은 확률 변수 간의 독립성을 그래프로 표현한다. 이 때, 확률 변수는 마디(node)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 나뉜다. 만약 네트워크의 구조가 방향성 비순환 그래프(DAG; directed acyclic graph)라면, GM은 모든 확률 변수의 결합 확률의 분해(factorization)를 나타낸다.
같이 보기
참고 문헌
- Graphical models, Chapter 8 of Pattern Recognition and Machine Learning by Christopher M. Bishop
- A Brief Introduction to Graphical Models and Bayesian Networks
이 글은 컴퓨터 과학에 관한 토막글입니다. 여러분의 지식으로 알차게 문서를 완성해 갑시다. |