文章导读
大家好，我是苏承栈。今天我们来聊聊高斯网络，特别是GBN和GMN这两种类型。如果你对概率图模型感兴趣，或者想深入了解机器学习中的高斯图，这篇文章可能会帮到你。
高斯网络（GBN与GMN）
首先，贝叶斯网络和马尔科夫网络大家应该都听说过，它们是处理离散随机变量的概率图模型。那连续型随机变量怎么办呢？这时候就轮到高斯网络出场了。
- 贝叶斯网络（Bayesian Network）: 离散随机变量的概率图模型。
- 马尔科夫网络（Markov Network）: 离散随机变量的概率图模型。
- 高斯网络（Gaussian Network）: 连续随机变量的概率图模型，假设随机变量服从高斯分布。
高斯网络又可以分为高斯贝叶斯网络（GBN）和高斯马尔科夫网络（GMN）。
高斯网络的基本概念
高斯网络用图结构来描述多元随机变量之间的条件独立关系。每个节点都服从高斯分布，所有节点的联合分布就是一个高斯分布。
高斯贝叶斯网络（GBN）
GBN是随机变量为连续的有向图模型。给定父节点，变量服从高斯分布。线性动态系统LDS（别名:卡尔曼滤波）就是GBN的一个特殊情形。
高斯马尔科夫网络（GMN）
GMN是随机变量为连续的无向图模型。根据无向图的联合概率形式和因子图，我们可以有GMN的表示方法。
小结与拓展
今天我们简单介绍了高斯网络和它的两种类型GBN和GMN。如果你对概率图模型或者机器学习感兴趣，可以进一步研究这些内容。
我是苏承栈，来自极星编程网（www.jxgpc.com）。想了解更多编程知识，欢迎关注我们的网站。