因果贝叶斯理论 发表评论(0) 编辑词条

 经过一个多世纪的迅猛发展，统计学已经成为一门严密而精巧的科学，同时也成为众多现代科学都不可或缺的坚定基石。与之对比鲜明的是，因果理论的研究进展缓慢。在二十世纪的最后十年，Pearl在自己提出的贝叶斯网络基础上发展出了因果贝叶斯网络理论，使因果推理发生了巨大变迁：因果关系从神秘的概念，变成了具有定义完善逻辑坚实的数学对象。长期以来不是被当作形而上学问题，就是被认为无法解决的，依赖于因果信息的实践问题，现在仅用基础数学即可解决。简而言之，因果推理被数学化了。

因果贝叶斯网络是在贝叶斯网络理论的基础上发展起来的，贝叶斯网络广泛的应用于机器学习、数据挖掘等领域，在人工智能界具有巨大的影响。因果贝叶斯网络是一种有向无环图（DAG)。图由顶点（或节点）集V和链接某些顶点对的边（或链接）E构成。图中的顶点对应于变量，而边表示变量与变量之间的因果。每个顶点附带一个条件概率分布（CPD）参数，该参数表明给定该顶点的父节点对应的变量，该顶点对应的变量的概率分布。有向无环图是表达因果假设的简洁手段，表示联合概率函数的精炼方法，也是从观察数据中有效的推断因果作用强度的有力工具。在非严格意义上可以说，有向无环图的边表示谁是谁的直接原因，参数表示因果作用的强度。每个节点的条件概率相乘就得到系统内所有变量的联合分布。