matlab貝葉斯網路工具箱

⑴ 如何在matlab2014a中添加貝葉斯網路工具箱

第一步:下載貝葉斯抄網路工具箱
第二步:解壓壓縮包
第三步：將工具箱中bnt文件夾復制到matlab工具箱文件夾中（D:\Program Files\MATLAB\R2014a\toolbox）
第四步：打開matlab2014a
貝葉斯網路是處理不確定信息做有效的表示方法之一。其關鍵的特徵之一是提供了把整個概率分布分解成幾個局部分布的方法，網路的拓撲結構表明如何從局部的概率分布獲得完全的聯合概率分布。
貝葉斯網路適合於對領域知識具有一定了解的情況，至少對變數間的依賴關系較清楚。否則直接從數據中學習貝葉斯網路結構復雜性極高（隨節點的增加成指數級增長）

⑵ 如何用matlab的BNT軟建立一個貝葉斯網路及條件概率表

對上述信息建立貝葉斯網路，代碼如下

[plain]view plainprint?

N=8;

dag=zeros(N,N);

A=1;S=2;T=3;L=4;B=5;E=6;X=7;D=8;

dag(A,T)=1;

dag(S,[LB])=1;

dag([TL],E)=1;

dag(B,D)=1;

dag(E,[XD])=1;

discrete_nodes=1:N;

node_sizes=2*ones(1,N);

bnet=mk_bnet(dag,node_sizes,'names',{'A','S','T','L','B','E','X','D'},'discrete',discrete_nodes);

bnet.CPD{A}=tabular_CPD(bnet,A,[0.99,0.01]);

bnet.CPD{S}=tabular_CPD(bnet,S,[0.5,0.5]);

bnet.CPD{T}=tabular_CPD(bnet,T,[0.99,0.95,0.01,0.05]);

bnet.CPD{L}=tabular_CPD(bnet,L,[0.99,0.9,0.01,0.1]);

bnet.CPD{B}=tabular_CPD(bnet,B,[0.7,0.4,0.3,0.6]);

bnet.CPD{E}=tabular_CPD(bnet,E,[1,0,0,0,0,1,1,1]);

bnet.CPD{X}=tabular_CPD(bnet,X,[0.95,0.02,0.05,0.98]);

bnet.CPD{D}=tabular_CPD(bnet,D,[0.9,0.2,0.3,0.1,0.1,0.8,0.7,0.9]);

draw_graph(dag)

說明：有N=8個節點，建立有向無環圖dag，並且這些點的值是離散的，這里1=False 2=True，node_sizes給出了所有狀態

mk_bnet中names後的{}裡面給出了各個節點的別名

利用tabular_CPD設置各個變數的邊緣概率，對於A和S，定義順序是False True；對於T、L和B這類，順序是FF FT TF TT；對於D這類，順序是FFF FFT FTF FTT TFF TFT TTF TTT

簡單檢查下A的概率

[plain]view plainprint?

engine=jtree_inf_engine(bnet);

evidence=cell(1,N);

[engine,loglik]=enter_evidence(engine,evidence);

m=marginal_nodes(engine,A);

m.T()

現在可以給定任意條件，然後計算概率了。

[plain]view plainprint?

例如要計算任意組合條件下，個體分別得Tub、lungcancer和bronchitis的概率。下面代碼計算了P（T=True|A=False,S=True,X=True,D=False）的概率

[plain]view plainprint?

engine=jtree_inf_engine(bnet);

evidence=cell(1,N);

evidence{A}=1;

evidence{S}=2;

evidence{X}=2;

evidence{D}=1;

[engine,loglik]=enter_evidence(engine,evidence);

m=marginal_nodes(engine,T);

m.T(2)

⑶ bnt matlab 怎麼做mcmc有向無環貝葉斯網路結構學習

基於matlab的貝葉斯網路工具箱BNT是kevin p.murphy基於matlab語言開發的關於貝葉斯網路學習的開源包，提供了許多貝葉斯網路學習的底層基礎函數庫，支持多種類型的節點（概率分布）、精確推理和近似推理、參數學習及結構學習、靜態模型和動態模型。

貝葉斯網路表示：BNT中使用矩陣方式表示貝葉斯網路，即若節點i到j有一條弧，則對應矩陣中（i，j）值為1，否則為0。

結構學習演算法函數：BNT中提供了較為豐富的結構學習函數，都有：

1. 學習樹擴展貝葉斯網路結構的TANC演算法learn_struct_tan().

2. 2. 數據完整條件下學習一般貝葉斯網路結構的K2演算法learn_struct_k2()、貪婪搜索GS（greedy search）演算法learn_struct_gs()和爬山HC（hill climbing）演算法learn_struct_hc()等。

3. 3. 缺失數據條件下學習一般貝葉斯網路結構的最大期望EM（expectation maximization）演算法learn_struct_EM（）和馬爾科夫鏈蒙特卡羅MCMC（Markov Chain Monte Carlo）learn_struct_mcmc()演算法等。

4. 參數學習演算法函數：BNT中也提供了豐富的參數學習函數，都有：

5. 1． 完整數據時，學習參數的方法主要有兩種：最大似然估計learn_params()和貝葉斯方法bayes_update_params();

6. 2． 數據缺失時，如果已知網路拓撲結構，用EM演算法來計算參數，倘若未知網路拓撲結構，使用結構最大期望SEM（structure EM）演算法learn_struct_SEM()。

7. 推理機制及推理引擎：為了提高運算速度，使各種推理演算法能夠有效應用，BNT工具箱採用了引擎機制，不同的引擎根據不同的演算法來完成模型轉換、細化和求解。這個推理過程如下：

9. BNT中提供了多種推理引擎，都有：

10. 1． 聯合樹推理引擎jtree_inf_engine();

11. 2． 全局聯合樹推理引擎global_joint_inf_engine();

12. 3． 信念傳播推理引擎 belprop_inf_engine();

13. 4． 變數消元推理引擎 var_elim_inf_engine().
    

⑷ 如何使用貝葉斯網路工具箱

第一步:下載貝葉斯網路工具箱

第二步:解壓壓縮包

第三步：將工具箱中bnt文件夾復制到matlab工具箱文件夾中

第四步：打開

⑸ 求助，怎樣用貝葉斯網路工具箱實現樸素貝葉斯分類

第一步:貝葉斯網路工具箱

第二步:解壓壓縮包

第三步：將工具箱中bnt文件夾復制到matlab工具箱文件夾中

第四步：打開

⑹ 求大神幫忙查看用matlab的bnt工具箱編的貝葉斯網路程序准確率不高的問題，如解決懸賞現金200元！！！急！

第一步:下載貝葉斯網路工具箱
第二步:解壓壓縮包
第三步：將工具箱中bnt文件夾內復制容到matlab工具箱文件夾中（D:\Program Files\MATLAB\R2014a\toolbox）
第四步：打開matlab2014a
貝葉斯網路是處理不確定信息做有效的表示方法之一。其關鍵的特徵之一是提供了把整個概率分布分解成幾個局部分布的方法，網路的拓撲結構表明如何從局部的概率分布獲得完全的聯合概率分布。
貝葉斯網路適合於對領域知識具有一定了解的情況，至少對變數間的依賴關系較清楚。否則直接從數據中學習貝葉斯網路結構復雜性極高（隨節點的增加成指數級增長）

⑺ 如何安裝貝葉斯網路工具箱

在matlab的file下面的set path把它加上，把路徑加進去後在

file→Preferences→General的Toolbox Path Caching里點擊update Toolbox Path Cache更新專一下，就屬OK了

⑻ 如何在matlab2012b下安裝貝葉斯網路工具箱

直接將
貝葉斯網路
工具箱所在的路徑
添加到matlab中的
setpath路徑下即可