贝叶斯网络的提出就是要解决这个问题。它把复杂的联合概率分布分解成一系列相对简单的模块，从而大大降低知识获取和概率推理的复杂度，使得可以把概率论应用于大型问题。

大致讲解的是贝叶斯网络模型，以及其基本的学习模式，并且添加了基本的应用方法。

贝叶斯网络结构的学习总结 贝叶斯网络建模一般有三种方法：1）依靠专家建模；2）从数据中学习；3）从知识库中创建。在实际建模过程中常常综合运用这些方法，以专家知识为主导，以数据库和知识库为辅助手段，扬长避短，发挥各自优势，来保证建模的效率和准确性。但是，在不具备专家知识或知识库的前提下，从数据中学习贝叶斯网络模型结构的研究显得尤为重要。 常用的结构学习方法主要有两类，分别是基于依赖性测试的学习和基于搜索评分的学习。

**主要是让参赛选手根据训练集中的乘客数据和存活情况进行建模，进而使用模型预测测试集中的乘客是否会存活。乘客特征总共有11个，以下列出。当然也可以根据情况自己生成新特征，这就是特征工程（feature engineering）要做的事情了。**

本文用的是sciki-learn库的iris数据集进行测试。用的模型也是最简单的，就是用贝叶斯定理P(A|B) = P(B|A)*P(A)/P(B)，计算每个类别在样本中概率（代码中是pLabel变量） 以及每个类下每个特征的概率（代码中是pNum变量）。 写得比较粗糙，对于某个类下没有此特征的情况采用p=1/样本数量。 有什么错误有人发现麻烦提出，谢谢。 [python] view plain copy # -*- coding:utf-8 -*- from numpy import * from sklearn import datasets import numpy as np cl

作为开发贝叶斯网络和概率编程的matlab开源库分享给大家，作为刚入门的你应该最为合适，另外这个代码在github上也能找到，还包括基于python的和基于R语言的库也能找到，如果大家有兴趣的化可以关注我一下，有问题一起探讨，谢谢！

通过贝叶斯网络对500组位置信息进行分类，位置信息一共分为4类，每类分类的正确率都达到90%以上

这是本人业余的破解版本，我也不知道有没有完全破解成功，不过去除了一些功能限制（比如可以保存超过15个结点的图），如果遇到有破解未成功的地方请联系我，仅供学习与试用谢谢。附上我唯一找到的中文教程：http://blog.sciencenet.cn/blog-82650-255141.html

一个很有用的关于贝叶斯网络的工具包，希望对大家有用

一个实用的贝叶斯网络仿真软件。能够实现大部分贝叶斯分类及推理。图形化的界面，上手很快 一个实用的贝叶斯网络仿真软件。能够实现大部分贝叶斯分类及推理。图形化的界面，上手很快