本节内容

• 贝叶斯定理（Bayes’s theorem）
• DAG（或贝叶斯网络）的定义（Definition of a DAG (or Bayesian network)）
• DAG中的条件独立性（Conditional independence in DAGs）
• 动态贝叶斯网络（Dynamic Bayesian network）
• 隐马尔可夫模型（Hidden Markov Model）

贝叶斯定理

符号意义

首先我们要了解上述公式中符号的意义：

• P(A) 这是概率中最基本的符号，表示 A 出现的概率。比如在投掷骰子时，P(2) 指的是骰子出现数字“2”的概率，这个概率是 六分之一。
• P(B|A) 是条件概率的符号，表示事件 A 发生的条件下，事件 B 发生的概率，条件概率是“贝叶斯公式”的关键所在，它也被称为“似然度”。
• P(A|B) 是条件概率的符号，表示事件 B 发生的条件下，事件 A 发生的概率，这个计算结果也被称为“后验概率”。

有上述描述可知，贝叶斯公式可以预测事件发生的概率，两个本来相互独立的事件，发生了某种“相关性”，此时就可以通过“贝叶斯公式”实现预测。

贝叶斯另外的表达方式：