Modello grafico: differenze tra le versioni

Contenuto cancellato Contenuto aggiunto
m sezioni, portali, collegamenti esterni
Riga 1:
Un '''modello grafico''' o '''modello grafico probabilistico''' (''probabilistic graphical model'', PGM) o '''modello strutturale probabilistico''' è un modello probabilistico per il quale un [[grafo]] esprime la struttura di [[Variabili dipendenti e indipendenti|dipendenza condizionata]] fra [[Variabile casuale|variabili casuali]]. Sono comunemente utilizzati in [[teoria della probabilità]], [[statistica]] - soprattutto in [[Statistica bayesiana|statistica Bayesiana]] - e [[apprendimento automatico]].
 
=== Tipi di Modellimodelli Graficigrafici ===
 
Generalmente, un modello grafico probabilistico usa una rappresentazione a grafo come base per codificare una distribuzione su uno spazio multi-dimensionale, un grafo che costituisce una rappresentazione compatta o fattorizzata di un insieme di relazioni di indipendenza valide per la specifica distribuzione. Vengono comunemente usati due modalità di rappresentazione grafica delle distribuzioni, ovvero quella delle [[Rete bayesiana|reti bayesiane]] (''grafi orientati'') e quella dei [[Markov random fields]] (''grafi non orientati''). Entrambe le famiglie comprendono proprietà di fattorizzazione e relazioni di indipendenza, ma si differenziano nell'insieme di relazioni di indipendenza che possono codificare e la fattorizzazione della distribuzione che essi inducono.<ref name="koller09">{{cita libro|autore=Daphne Koller|autore2=Nir Friedman|titolo=Probabilistic Graphical Models|url=http://pgm.stanford.edu/|year=2009|publisher=MIT Press|pages=1208|isbn=978-0-262-01319-2|archive-url=https://web.archive.org/web/20140427083249/http://pgm.stanford.edu/|archive-date=2014-04-27}}</ref>
Riga 8:
 
* [[Dependency Network|Dependency network]] nella quale sono ammessi i cicli
* ''Tree-augmented classifier'' o '''TAN model'''
 
* Un [[factor graph]] è un [[grafo bipartito]] non orientato che connette variabili e fattori. Ogni ''fattore'' rappresenta una funzione definita sulle variabili alle quali è connesso. Questa è una rappresentazione utile a capire e implementare la [[belief propagation]].
Riga 18:
** un [[conditional random field]] è un [[modello discriminativo]] specificato su un grafo non orientato.
* Una [[restricted Boltzmann machine]] è un [[Grafo bipartito|bipartito]] [[Modello generativo|generative model]] specificato su un grafo non orientato.
 
== Note ==
<references />
 
==Collegamenti esterni==
*
* [http://sandeep-aparajit.blogspot.com/2013/06/how-does-conditional-random-field-crf.html Graphical models and Conditional Random Fields]
* [{{Cita web|url=https://www.cs.cmu.edu/~epxing/Class/10708/ Corso ''|titolo=Probabilistic Graphical Models'' tenuto da Eric Xing presso CMU]}}
 
{{Portale|matematica|statistica}}
<references />
 
[[Categoria:Statistica bayesiana]]