Graphical model (original) (raw)
Model gràfic (o model gràfic probabilístic), en estadística, és un model probabilístic on es representa de forma gràfica les dependències condicionades entre els nodes o variables aleatòries. Els models gràfics s'empren en teoria de probabilitat i també en aprenentatge automàtic.
| Property | Value |
|---|---|
| dbo:abstract | Model gràfic (o model gràfic probabilístic), en estadística, és un model probabilístic on es representa de forma gràfica les dependències condicionades entre els nodes o variables aleatòries. Els models gràfics s'empren en teoria de probabilitat i també en aprenentatge automàtic. (ca) Probabilistische Graphische Modelle (PGM) sind im Allgemeinen Graphen, deren Knoten Zufallsvariablen sind und in denen die Abwesenheit von Kanten zwischen diesen Knoten deren Unabhängigkeit anzeigt. Sie stellen einen Formalismus dar, mit Hilfe dessen man verschiedene andere Probabilistische Modelle, die größtenteils schon vor den PGM erforscht wurden, darstellen kann. Beispielsweise:Bayes’sche Netze, Hidden Markov Modelle und Markov Random Fields. PGM bieten darum die Möglichkeit, diese Modelle miteinander zu verbinden. Das macht sie zu einem guten Werkzeug, um komplexe Systeme, die mit Unsicherheit umgehen können müssen, zu entwerfen. Vor allem der natürliche Zugang, den ihre Graphenstruktur ermöglicht, macht sie zu einem brauchbaren Modellierungswerkzeug. (de) A graphical model or probabilistic graphical model (PGM) or structured probabilistic model is a probabilistic model for which a graph expresses the conditional dependence structure between random variables. They are commonly used in probability theory, statistics—particularly Bayesian statistics—and machine learning. (en) En teoría de probabilidades y en estadística, un modelo en grafo (MG) representa las dependencias entre variables aleatorias como un grafo en el que cada variable aleatoria es un nodo. En el caso más sencillo, la estructura de la red del modelo es un , y el modelo en grafo representa una factorización de la probabilidad conjunta de todas las variables aleatorias. Más precisamente, si los eventos son X1, ..., Xn, la probabilidad conjunta P(X1, ..., Xn), es igual al producto de las probabilidades condicionales P(Xi | padres de Xi) para i = 1,...,n. Dicho de otra forma, la probabilidad conjunta se factoriza como un producto de distribuciones condicionales. La estructura de grafo indica las dependencias directas entre variables aleatorias. Dos nodos que no tienen relación de parentesco representan variables independientes entre ellas. (es) Un modèle graphique est une représentation d'objets probabilistes. C'est un graphe qui représente les dépendances de variables aléatoires. Ces modèles sont notamment utilisés en apprentissage automatique. (fr) 확률론, 통계학, 기계 학습에서의 그래프 모형(GM; Graphical Model)은 확률 변수 간의 독립성을 그래프로 표현한다. 이 때, 확률 변수는 마디(node)로 표현되며, 확률 변수 간의 조건적 독립성(conditional independency)은 모서리(edge)로 표현된다. GM의 일반적인 두 형태는 방향성 모서리를 갖는 그래프와 무뱡향성 모서리를 갖는 그래프로 나뉜다. 만약 네트워크의 구조가 방향성 비순환 그래프(DAG; directed acyclic graph)라면, GM은 모든 확률 변수의 의 분해(factorization)를 나타낸다. (ko) グラフィカルモデル(英語: Graphical model)は、グラフが、確率変数間の条件付き依存構造を示しているような確率モデルである。これらは一般に確率論や統計、特にベイズ統計や機械学習で使用される。 (ja) Um modelo de gráfico ou modelo probabilístico gráfico ou modelo probabilístico estruturado é um modelo probabilístico no qual um grafo representa a estrutura de dependências condicionais probabilísticas entre variáveis aleatórias. Eles são comumente usados em teoria da probabilidade, estatística, particularmente estatística Bayesiana e aprendizado de máquinas. (pt) Графовая вероятностная модель — это вероятностная модель, в которой в виде графа представлены зависимости между случайными величинами. Вершины графа соответствуют случайным переменным, а рёбра — непосредственным вероятностным взаимосвязям между случайными величинами.Графические модели широко используются в теории вероятностей, статистике (особенно в Байесовской статистике), а также в машинном обучении. (ru) Гра́фова моде́ль, або імові́рнісна гр́афова моде́ль (ІГМ, англ. probabilistic graphical model, PGM) — це ймовірнісна модель, для якої між випадковими змінними виражено графом. Вони поширені в теорії ймовірностей, статистиці, — зокрема, баєсовій, — та в машинному навчанні. (uk) 在概率论、統計學及機器學習中，概率图模型（Graphical Model）是用圖論方法以表現數個獨立隨機變數之關聯的一種建模法。一个个節點的图中，节点对应一个隨機變數，记为。概率图模型被广泛地应用于贝叶斯统计与机器学习中。 (zh) |
| dbo:thumbnail | wiki-commons:Special:FilePath/Examples_of_an_Undirected_Graph.svg?width=300 |
| dbo:wikiPageExternalLink | http://sandeep-aparajit.blogspot.com/2013/06/how-does-conditional-random-field-crf.html https://www.repository.cam.ac.uk/handle/1810/248538%7Cdoi-access=free http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html https://www.microsoft.com/en-us/research/wp-content/uploads/2016/05/Bishop-PRML-sample.pdf http://www.cedar.buffalo.edu/~srihari/CSE574 http://research.microsoft.com/en-us/um/people/heckerman/tutorial.pdf https://archive.org/details/probabilisticrea00pear https://www.cs.cmu.edu/~epxing/Class/10708/ https://www.springer.com/us/book/9780387310732 |
| dbo:wikiPageID | 447298 (xsd:integer) |
| dbo:wikiPageLength | 11155 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1100598286 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Bayesian_statistics dbr:Belief_propagation dbr:Naive_Bayes_classifier dbr:Bayesian_network dbr:Dependency_network_(graphical_model) dbr:Undirected_graph dbr:Information_extraction dbr:PLOS_Computational_Biology dbr:Conditional_independence dbr:Conditional_random_field dbr:Ancestral_graph dbc:Graphical_models dbr:Gene_regulatory_network dbr:Low-density_parity-check_codes dbr:Generative_model dbr:Graph_(discrete_mathematics) dbr:Conditional_dependence dbr:Machine_learning dbr:Statistics dbr:Clique_(graph_theory) dbr:Computer_vision dbr:Clique_tree dbr:Tree_(graph_theory) dbr:Junction_tree_algorithm dbr:Random_field dbr:Causal_inference dbr:Discriminative_model dbr:Graphical_models_for_protein_structure dbr:Probability dbr:Probability_theory dbr:Random_variable dbr:Restricted_Boltzmann_machine dbr:Speech_recognition dbc:Bayesian_statistics dbr:Bipartite_graph dbr:Directed_acyclic_graph dbr:D-separation dbr:Chain_graph dbr:Markov_random_field dbr:Variable-order_Markov_model dbr:Factor_graph dbr:Plate_notation dbr:Hidden_Markov_models dbr:Neural_networks dbr:Joint_distribution dbr:Probabilistic_model dbr:Morgan_Kaufmann dbr:Structural_equation_model dbr:File:Example_of_a_Directed_Graph.svg dbr:File:Examples_of_an_Undirected_Graph.svg dbr:File:Graph_model.svg |
| dbp:wikiPageUsesTemplate | dbt:About dbt:Cite_book dbt:Cite_journal dbt:Main dbt:More_footnotes dbt:Reflist dbt:Short_description dbt:Statistics dbt:Machine_learning |
| dct:subject | dbc:Graphical_models dbc:Bayesian_statistics |
| gold:hypernym | dbr:Model |
| rdf:type | dbo:Person yago:WikicatStatisticalModels yago:Assistant109815790 yago:CausalAgent100007347 yago:LivingThing100004258 yago:Model110324560 yago:Object100002684 yago:Organism100004475 yago:Person100007846 yago:PhysicalEntity100001930 yago:WikicatGraphicalModels yago:Worker109632518 yago:YagoLegalActor yago:YagoLegalActorGeo yago:Whole100003553 |
| rdfs:comment | Model gràfic (o model gràfic probabilístic), en estadística, és un model probabilístic on es representa de forma gràfica les dependències condicionades entre els nodes o variables aleatòries. Els models gràfics s'empren en teoria de probabilitat i també en aprenentatge automàtic. (ca) Probabilistische Graphische Modelle (PGM) sind im Allgemeinen Graphen, deren Knoten Zufallsvariablen sind und in denen die Abwesenheit von Kanten zwischen diesen Knoten deren Unabhängigkeit anzeigt. Sie stellen einen Formalismus dar, mit Hilfe dessen man verschiedene andere Probabilistische Modelle, die größtenteils schon vor den PGM erforscht wurden, darstellen kann. Beispielsweise:Bayes’sche Netze, Hidden Markov Modelle und Markov Random Fields. PGM bieten darum die Möglichkeit, diese Modelle miteinander zu verbinden. Das macht sie zu einem guten Werkzeug, um komplexe Systeme, die mit Unsicherheit umgehen können müssen, zu entwerfen. Vor allem der natürliche Zugang, den ihre Graphenstruktur ermöglicht, macht sie zu einem brauchbaren Modellierungswerkzeug. (de) A graphical model or probabilistic graphical model (PGM) or structured probabilistic model is a probabilistic model for which a graph expresses the conditional dependence structure between random variables. They are commonly used in probability theory, statistics—particularly Bayesian statistics—and machine learning. (en) Un modèle graphique est une représentation d'objets probabilistes. C'est un graphe qui représente les dépendances de variables aléatoires. Ces modèles sont notamment utilisés en apprentissage automatique. (fr) 확률론, 통계학, 기계 학습에서의 그래프 모형(GM; Graphical Model)은 확률 변수 간의 독립성을 그래프로 표현한다. 이 때, 확률 변수는 마디(node)로 표현되며, 확률 변수 간의 조건적 독립성(conditional independency)은 모서리(edge)로 표현된다. GM의 일반적인 두 형태는 방향성 모서리를 갖는 그래프와 무뱡향성 모서리를 갖는 그래프로 나뉜다. 만약 네트워크의 구조가 방향성 비순환 그래프(DAG; directed acyclic graph)라면, GM은 모든 확률 변수의 의 분해(factorization)를 나타낸다. (ko) グラフィカルモデル(英語: Graphical model)は、グラフが、確率変数間の条件付き依存構造を示しているような確率モデルである。これらは一般に確率論や統計、特にベイズ統計や機械学習で使用される。 (ja) Um modelo de gráfico ou modelo probabilístico gráfico ou modelo probabilístico estruturado é um modelo probabilístico no qual um grafo representa a estrutura de dependências condicionais probabilísticas entre variáveis aleatórias. Eles são comumente usados em teoria da probabilidade, estatística, particularmente estatística Bayesiana e aprendizado de máquinas. (pt) Графовая вероятностная модель — это вероятностная модель, в которой в виде графа представлены зависимости между случайными величинами. Вершины графа соответствуют случайным переменным, а рёбра — непосредственным вероятностным взаимосвязям между случайными величинами.Графические модели широко используются в теории вероятностей, статистике (особенно в Байесовской статистике), а также в машинном обучении. (ru) Гра́фова моде́ль, або імові́рнісна гр́афова моде́ль (ІГМ, англ. probabilistic graphical model, PGM) — це ймовірнісна модель, для якої між випадковими змінними виражено графом. Вони поширені в теорії ймовірностей, статистиці, — зокрема, баєсовій, — та в машинному навчанні. (uk) 在概率论、統計學及機器學習中，概率图模型（Graphical Model）是用圖論方法以表現數個獨立隨機變數之關聯的一種建模法。一个个節點的图中，节点对应一个隨機變數，记为。概率图模型被广泛地应用于贝叶斯统计与机器学习中。 (zh) En teoría de probabilidades y en estadística, un modelo en grafo (MG) representa las dependencias entre variables aleatorias como un grafo en el que cada variable aleatoria es un nodo. En el caso más sencillo, la estructura de la red del modelo es un , y el modelo en grafo representa una factorización de la probabilidad conjunta de todas las variables aleatorias. Más precisamente, si los eventos son X1, ..., Xn, la probabilidad conjunta P(X1, ..., Xn), es igual al producto de las probabilidades condicionales P(Xi | padres de Xi) para i = 1,...,n. (es) |
| rdfs:label | Model gràfic (estadística) (ca) Probabilistische Graphische Modelle (de) Modelo en grafo (es) Graphical model (en) Modèle graphique (fr) 그래프 모형 (ko) グラフィカルモデル (ja) Modelos probabilísticos gráficos (pt) Графовая вероятностная модель (ru) 圖模式 (zh) Графова модель (uk) |
| owl:sameAs | freebase:Graphical model yago-res:Graphical model wikidata:Graphical model dbpedia-ca:Graphical model dbpedia-de:Graphical model dbpedia-es:Graphical model dbpedia-fa:Graphical model dbpedia-fr:Graphical model dbpedia-ja:Graphical model dbpedia-ko:Graphical model dbpedia-pt:Graphical model dbpedia-ru:Graphical model dbpedia-sh:Graphical model dbpedia-sr:Graphical model http://su.dbpedia.org/resource/Modél_grafik http://ta.dbpedia.org/resource/வரைபட_மாதிரி dbpedia-uk:Graphical model dbpedia-vi:Graphical model dbpedia-zh:Graphical model https://global.dbpedia.org/id/Bn6m |
| prov:wasDerivedFrom | wikipedia-en:Graphical_model?oldid=1100598286&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/Example_of_a_Directed_Graph.svg wiki-commons:Special:FilePath/Examples_of_an_Undirected_Graph.svg wiki-commons:Special:FilePath/Graph_model.svg |
| foaf:isPrimaryTopicOf | wikipedia-en:Graphical_model |
| is dbo:knownFor of | dbr:Daphne_Koller |
| is dbo:wikiPageRedirects of | dbr:Probabilistic_graphical_model dbr:Graphical_models dbr:Structured_probabilistic_model dbr:Structured_probabilistic_models |
| is dbo:wikiPageWikiLink of | dbr:Bayesian_inference dbr:Bayesian_programming dbr:Belief_propagation dbr:Probabilistic_graphical_model dbr:Probabilistic_soft_logic dbr:Scientific_modelling dbr:Bayesian_network dbr:Brendan_Frey dbr:David_Spiegelhalter dbr:Dependency_network_(graphical_model) dbr:Aparna_V._Huzurbazar dbr:List_of_graph_theory_topics dbr:Vicarious_(company) dbr:Vine_copula dbr:Deep_belief_network dbr:Department_of_Defense_Architecture_Framework dbr:Structured_prediction dbr:Conditional_random_field dbr:Credal_network dbr:Ancestral_graph dbr:Estimation_of_distribution_algorithm dbr:Gaussian_process_approximations dbr:Geoff_Webb dbr:Mixture_model dbr:Energy_based_model dbr:Generative_model dbr:GraphLab dbr:Mixed_graph dbr:Mixture_distribution dbr:Copula_(probability_theory) dbr:Eric_Xing dbr:Selection_shadow dbr:Berkson's_paradox dbr:Machine_learning dbr:Steffen_Lauritzen dbr:Structural_equation_modeling dbr:Collider_(statistics) dbr:Feature_selection dbr:Half-normal_distribution dbr:Hosaka_plot dbr:Kernel_embedding_of_distributions dbr:Parallel_computing dbr:Machine_learning_in_bioinformatics dbr:Maximum-entropy_Markov_model dbr:Viterbi_algorithm dbr:Latent_semantic_analysis dbr:Locality-sensitive_hashing dbr:Graphical_models dbr:Random_field dbr:Nir_Friedman dbr:Danielle_Belgrave dbr:Daphne_Koller dbr:Formal_concept_analysis dbr:Grafting_(decision_trees) dbr:Graphical_lasso dbr:Graphical_models_for_protein_structure dbr:Stochastic_gradient_descent dbr:Quantum_machine_learning dbr:Restricted_Boltzmann_machine dbr:Herman_Wold dbr:Tamara_Broderick dbr:Hélène_Massam dbr:Support_vector_machine dbr:Collective_classification dbr:Statistical_data_type dbr:Relational_dependency_network dbr:Boltzmann_machine dbr:Polytree dbr:Network_motif dbr:Catalog_of_articles_in_probability_theory dbr:Sewall_Wright dbr:Markov_random_field dbr:Marloes_Maathuis dbr:Variational_Bayesian_methods dbr:List_of_statistics_articles dbr:Plate_notation dbr:Gibbs_sampling dbr:Mycin dbr:UCPH_Bioinformatics_Centre dbr:Weighted_constraint_satisfaction_problem dbr:Outline_of_machine_learning dbr:VE-Suite dbr:Types_of_artificial_neural_networks dbr:Rina_Foygel_Barber dbr:Truth_discovery dbr:Variational_autoencoder dbr:Structured_probabilistic_model dbr:Structured_probabilistic_models |
| is foaf:primaryTopic of | wikipedia-en:Graphical_model |
