그래프 모형: 두 판 사이의 차이

[[확률론]], [[통계학]], [[기계 학습]]에서의 '''그래프 모형'''(GM; Graphical Model)은 확률 변수 간의 독립성을 그래프로 표현한다. 이 때, 확률 변수는 마디(edge)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 나누어진다나뉜다. 만약 네트워크의 구조가 [[방향성 비순환 그래프]](DAG; directed acyclic graph)라면, GM은 모든 확률 변수의 [[결합 확률]]의 분해(factorization)를 나타낸다.

== 참고문헌참고 문헌 ==

* [http://research.microsoft.com/%7Ecmbishop/PRML/Bishop-PRML-sample.pdf Graphical models, Chapter 8 of Pattern Recognition and Machine Learning by Christopher M. Bishop]

* [http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html A Brief Introduction to Graphical Models and Bayesian Networks]