1.贝叶斯信念网
区别于朴素贝叶斯，朴素贝叶斯假定属性独立于条件，贝叶斯信念网描述变量的一个子集上的条件独立（中间方法），可以用于在知道某些变量的值或分布时，计算网络中另一部分变量的概率分布
联合空间，联合概率分布
2.条件独立性
区别于朴素贝叶斯：
3.表示：
parents是其直接前驱
4.贝叶斯网梯度上升：
之前是梯度下降 误差 现在梯度上升观察到的概率
更新权值：
5.EM算法--变量值从未观察到过
估计k个高斯分布的均值
收敛于均值的局部最大似然假设
1.贝叶斯信念网
区别于朴素贝叶斯，朴素贝叶斯假定属性独立于条件，贝叶斯信念网描述变量的一个子集上的条件独立（中间方法），可以用于在知道某些变量的值或分布时，计算网络中另一部分变量的概率分布
联合空间，联合概率分布
2.条件独立性
区别于朴素贝叶斯：
3.表示：
parents是其直接前驱
4.贝叶斯网梯度上升：
之前是梯度下降 误差 现在梯度上升观察到的概率
更新权值：
5.EM算法--变量值从未观察到过
估计k个高斯分布的均值
收敛于均值的局部最大似然假设