machine-learning - 概率在机器学习软件中的作用是什么？

Question

关闭。这个问题需要多问 focused 。目前不接受答案。

---

想要改进此问题吗？更新问题，使其仅关注一个问题 editing this post .

已关闭 6 年前。

Improve this question

学习计划中使用了多种组件和技术。机器学习组件包括 ANN、贝叶斯网络、SVM、PCA 和其他基于概率的方法。基于贝叶斯网络的技术在机器学习中发挥什么作用？

此外，了解如何将这些组件中的一个或多个组件集成到应用程序中会产生真正的解决方案，以及软件如何处理有限的知识并仍然产生足够可靠的结果，也会很有帮助。

Answer 1

概率与学习

概率在所有学习中都发挥着重要作用。如果我们应用香农的信息论，概率向极端 0.0 或 1.0 之一的移动就是信息。香农将比特定义为假设前后概率的 log_2 的商。给定假设的概率及其逻辑反演，如果两者的概率都没有增加，则没有学到任何信息。

贝叶斯方法

贝叶斯网络是代表因果关系假设的有向图。它们通常表示为具有由箭头连接的条件的节点，代表假设的原因和相应的影响。基于贝叶斯定理开发的算法试图从已经或正在收集的数据中统计分析因果关系。

小注:分析工具通常存在使用限制。大多数贝叶斯算法要求有向图是非循环的，这意味着图中任何位置的两个或多个节点之间不存在创建纯顺时针或纯逆时针闭环的一系列箭头。这是为了避免无限循环，但是现在或将来可能会有与循环一起工作的算法，并从数学理论和软件可用性的角度无缝地处理它们。

应用于学习

在学习中的应用是计算出的概率可用于预测潜在的控制机制。学习的试金石是通过控制可靠地改变 future 的能力。一个重要的应用是根据手写内容对邮件进行分类。神经网络和朴素贝叶斯分类器都可用于集成到路由或操作机器人中的一般模式识别。

请记住，网络一词具有非常广泛的含义。神经网络与贝叶斯网络完全不同，尽管它们可以应用于类似的问题解决拓扑。

与其他方法和机制的关系

系统设计人员如何在多元时间序列分析 (MTSA) 中使用支持向量机、主成分分析、神经网络和贝叶斯网络，因作者而异。它们如何结合在一起还取决于问题领域和数据集的统计质量，包括大小、倾斜、稀疏性和维度数。

给出的列表仅包括一组规模大得多的机器学习工具中的四种。例如，模糊逻辑结合了权重和产生式系统(基于规则)方法。

年份也是一个因素。现在给出的答案明年可能会过时。如果我要编写具有与十年前相同的预测或控制目标的软件，我可能会以完全不同的方式组合各种技术。在绘制我的系统拓扑之前，我当然会有大量额外的库和比较研究来阅读和分析。

该领域相当活跃。