Modello grafico: differenze tra le versioni

Contenuto cancellato Contenuto aggiunto
-wip
Etichette: Ripristino manuale Modifica visuale
m sistemazione fonti e fix vari
Riga 3:
=== Tipi di modelli grafici ===
 
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/|yearanno=2009|publishereditore=MIT Press|pagespp=1208|isbn=978-0-262-01319-2|archive-urlurlarchivio=https://web.archive.org/web/20140427083249/http://pgm.stanford.edu/|archive-date=2014-04-27}}</ref>
 
=== Altri tipi ===
Riga 9:
* [[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]].
* Un [[clique tree]] o ''junction tree'' è un [[Albero (grafo)|albero]] di [[Cricca (teoria dei grafi)|cricche]] usato nell'algoritmo per [[Junction tree algorithm|junction tree]].
* Un [[chain graph]] è un grafo che può avere archi orientati e non, ma è privo di cicli orientati (quindi se si parte da qualunque nodo e ci si sposta lungo il grafo rispettando le direzioni degli archi, non si può tornare nel nodo di partenza se si è percorso un arco orientato). Sia i grafi aciclici orientati sia i grafi non orientati sono casi particolari di chain graph, che possono fornire, quindi, un modo per unificare e generalizzare le reti bayesiane e quelle markoviane.<ref>{{cita pubblicazione|nome=Morten|cognome=Frydenberg|anno=1990|titolo=The Chain Graph Markov Property|rivista=[[Scandinavian Journal of Statistics]]|volume=17|numero=4|pp=333–353|yearanno=|journalrivista=|pagespp=|mr=1096723|jstor=4616181}}</ref>
* Un [[ancestral graph]] costituisce un'ulteriore estensione, con archi orientati, bi-orientati e non-orientati.<ref>{{cita pubblicazione|nome2=Peter|cognome2=Spirtes|anno=2002|titolo=Ancestral graph Markov models|rivista=[[Annals of Statistics]]|volume=30|numero=4|doi=10.1214/aos/1031689015|nome1=Thomas|cognome1=Richardson|paginepp=962–1030|mr=1926166|zbl=1033.60008|citeseerx=10.1.1.33.4906}}</ref>
* Modelli [[random field]]:
** un [[Markov random field]], altrimenti noto come ''rete markoviana'', è un modello basato su un [[grafo non orientato]]. Un modello grafico con molte sub-unità ripetute può essere rappresentato mediante [[plate notation]].