Skip to content

GitLab

  • Menu
Projects Groups Snippets
    • Loading...
  • Help
    • Help
    • Support
    • Community forum
    • Submit feedback
  • Sign in / Register
  • B BAMT
  • Project information
    • Project information
    • Activity
    • Labels
    • Members
  • Repository
    • Repository
    • Files
    • Commits
    • Branches
    • Tags
    • Contributors
    • Graph
    • Compare
  • Issues 1
    • Issues 1
    • List
    • Boards
    • Service Desk
    • Milestones
  • Merge requests 0
    • Merge requests 0
  • CI/CD
    • CI/CD
    • Pipelines
    • Jobs
    • Schedules
  • Deployments
    • Deployments
    • Environments
    • Releases
  • Monitor
    • Monitor
    • Incidents
  • Packages & Registries
    • Packages & Registries
    • Package Registry
    • Container Registry
    • Infrastructure Registry
  • Analytics
    • Analytics
    • Value stream
    • CI/CD
    • Repository
  • Wiki
    • Wiki
  • Snippets
    • Snippets
  • Activity
  • Graph
  • Create a new issue
  • Jobs
  • Commits
  • Issue Boards
Collapse sidebar
  • ITMO-NSS-team
  • BAMT
  • Wiki
  • 2. Алгоритм идентификации байесовской сети

Last edited by Irina Deeva Oct 19, 2020
Page history
This is an old version of this page. You can view the most recent version or browse the history.

2. Алгоритм идентификации байесовской сети

Для обучения структуры байесовской сети использовался подход, основанный на жадных эвристиках. Псевдокод используемого алгоритма выглядит следующим образом:

В результате выполнения алгоритма находится такая структура сети, которая имела бы наибольшее значение оптимизируемой метрики. В качестве такой метрики был выбран информационный критерий Акаике:

В формуле метрики Theta' - оценка максимального правдоподобия для выбранной структуры G_h при имеющихся наблюдения D. За счёт слагаемого d (количество свободных параметров модели) метрика способна штрафовать найденные решения за чрезмерную сложность модели.

Clone repository
  • 1. Байесовская сеть
  • 2. Алгоритм идентификации байесовской сети
  • 3. Сэмплирование синтетических данных
  • 4. Подготовка данных
  • 5. Руководство пользователя
  • Home