贝叶斯推理与确定性因子[更新中]

Settwarl

1.不确定性简介
       与其他程序不同，人工智能接收的数据（信息）是不完美的。这些信息可能是不确定的、不一致的、不完整的，要有效处理这些信息，就需要管理不确定性。
2.基本概率论和贝叶斯推理
       事件的概率是事件发生的比例，表示为从零（不可能发生）到一（必然发生）之内的数字索引。概率的表示方法为：
       p(A)=事件A发生的概率
       p(A|B)=A和B同时发生的概率/B发生的概率，称为在事件B发生的条件下A发生的条件概率
       p(AB)=A和B同时发生的概率，称为A和B的联合概率
       那么
                       (1)
       同样，
              
       因此，
       联合概率具有可交换性，即
      
       所以
      
       带回(1)式，则
               (2)
       其中
       P(A|B)是事件B已发生前提下A发生的条件概率。
       P(B|A)是事件A已发生前提下B发生的条件概率。
       p(A)是事件A发生的概率。
       p(B)是事件B发生的概率。

       公式(2)即为贝叶斯规则(Bayesian rule)。

       条件概率的概念用来描述事件A依赖事件B的程度。可以扩展这个原理得到事件A依赖一系列相互排斥的事件B1、B2、…、Bn的程度:
             (3)
       如果公式(3)包含Bi的所有事件，就可以得到：
      
       那么
                       (4)
       如果事件A的发生仅取决于两个相互排斥的事件，即B和非B，那么公式(4)就变成：
             (5)
       将公式(5)中A、B交换，带入(2)，就得到：
           (6)
       公式(6)为人工智能中管理不确定性的概率理论的应用奠定了基础。
3.确定性因子理论
       确定因子理论是替代贝叶斯推理最常用的方法。与概率不同，确定因子的最大值是1.0，最小值是-1.0.正值代表可信度，负值代表不可信度。
       确定因子理论基于两个函数：可信度的度量MB(H,E)和不可信度的度量MD(H,E)。这两个函数分别代表如果证据E出现，假设H的可信度增加的程度和不可信度增加的程度。
      
      
       MB(H,E)和MD(H,E)的取值范围是0到1。

hr567

/wjr/ 发表于 2014-11-9 16:03
学霸、、、、、看不懂

同看不懂。

/wjr/

学霸、、、、、看不懂