机器学习

　　CPD是conditional probability distribution的缩写，翻译成中文叫做 条件概率分布。在概率图中，条件概率分布是一个非常重要的概念。因为概率图研究的是随机变量之间的练习，练习就是条件，条件就要求条件概率。

　　对于简单的条件概率而言，我们可以用一个条件概率表来表达。如图1所示。图1 中表达的是p(g|i,d)。幸运的是id都只有两个取值，是一个伯努利分布的函数。但是如果i d 有六个取值呢？比如骰子。那么这张表就会猛然增加到6^2那么长。这是不科学的。并且，常规情况下，仅考虑疾病诊断问题，如果有多种原因都会导致某个症状，那么我们要表达 症状|疾病 那么就会变得分成复杂，表有有2^N那么长，N是疾病的数目。

　　所以，我们需要一种简单的方法，能够简化CPD的表达，除了用表之外，还应该有比较优雅的手段。

　　很多随机变量依赖于多个随机变量，但这多个随机变量的优先级别都不一样。就像找对象，首先要是个学生，然后要漂亮，最后要聪明。这三个并不是同时要求的，所以树状结构的CPD就利用了这个思想，把各级“并联”变成了串联。本来job依赖于 c L ,但是L 又是依赖于c 的，所以就转成了树状的CPD.特点是该有的概率都在图里能读出来。但是却又另外指定了一些图里没有的逻辑关系。

　　片选CPD(Multiplexer CPD)，实际上是对应一种情况：随机变量A一旦指定后，Y的取值就仅和其中一个父节点有关。这是一个实际问题，比如天上有很多飞机，它们的速度都是随机变量（Y)，塔台指定一架飞机观测之后，随机变量Y就只与指定的那架飞机有关。那么条件概率就有以下表达：

　　噪声或CPD（Noise OR CPD）对应的情况是：咳嗽可能由很多因素引起，这些因素的或结果是咳嗽。 咳嗽