根据以下贝叶斯网络确定概率。
在图 1 所示的网络上,假设:
P("alternator broken"=true) = 0.02
P("no charging"=true | "alternator broken"=true) = 0.95
P("no charging"=true | "alternator broken"=false) = 0.01.
What is P("no charging"=false)? How is it derived?
如果没有“风扇皮带损坏”的信息,您将如何确定“不充电”? 以下情况是否属实: P("不充电"=false) = P("交流发电机损坏"=true) * P("未充电"=true | "交流发电机损坏"=true) + P("交流发电机损坏"= false) * P("不充电"=true | "交流发电机损坏"= false)
最佳答案
不可能
要计算给定 BN 的 P(“无充电”)
,您缺少 风扇皮带损坏
的先验信息。 而且不充电
的CPT未指定,因为不充电
取决于风扇皮带损坏
。
但你可能想要
利用您所掌握的信息,您能做的最好的事情就是忽略风扇皮带损坏
。如果通过对风扇皮带损坏
采取正确的期望来获得P(“正在充电”|“交流发电机损坏”)
的值,则结果是正确的。如果后者为真,则意味着风扇皮带损坏
已被消除(汇总),并且其影响已纳入 CPT 中以进行“充电”。
关于artificial-intelligence - 子节点的贝叶斯网络概率,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40754313/