私は1日をRでbnlearnパッケージについて学習するだけで、ベイジアンモデルが無向グラフでは機能しないことを発見しました。私はマルコフランダムフィールドネットワークについて学習しようとしていますが、これまでのところ、グラフィカルなLASSOを使用してグラフィカルな構造を作成することしかできません。
有向グラフでは、何らかの方法で「構造学習」を行った後、別の方法で「パラメータ学習」を行うという2段階のように見えます。私の考えでは、パラメーターの学習は、モデルに含まれる各変数（機能）間のエッジの重みについて教えてくれるということです。私の質問は...だから何ですか？エッジの重みが付いたグラフで何をしますか？
特徴による観測であるデータセットがあり、グラフのノードがこのデータセットからの特徴である場合（共分散行列の逆をエミュレートしようとするグラフィカルLASSOから収集）、これから何を学ぶことができますか？データのコホート（ターゲットクラス値で区切られた）を比較して、ノードにある種のp値分析を割り当てることはできますか？グラフィカルモデルの全体像について混乱していると思います。
回答:
条件付き確率的関係のグラフィカルモデルの価値と能力は、システムの因果構造と推論構造に関する情報を伝えることです。たとえば、雨やスプリンクラーは歩道を濡らす可能性がありますが、歩道が濡れていると、雨やスプリンクラーが散布することはありません。証拠が「雨」で「スプリンクラーではない」場合、特定のことを推測できます。証拠が「濡れた歩道」である場合は、他のことを推測できます。推測できることとできないことは、グラフの構造によって決まります。
「フィーチャごとの観測であるデータセット」の例は、確率グラフに適している場合とそうでない場合があります。「p-values」のようなアイデア/メソッドを追加すると、混乱するだけだと思います。（P値は頻出仮説検定に適用されます。）比喩的に、リンゴ、オレンジ、アルマジロを組み合わせています。
私はあなたがユダヤパール（で講義を見ることを示唆しているhttps://www.youtube.com/watch?v=zHjdd--W6o4、https://www.youtube.com/watch?v=IiXvpPyhMw8）に加えてこのようなチュートリアル講演：https : //www.youtube.com/watch?v=YvdpnqMRmfk、https : //www.youtube.com/watch?v= Xhdpk9HZQuo。