ベイジアンネットワーク
ー＞ 確率度数間の因果関係を視覚的に表現する方法
ー＞ わかりやすくベイズ統計ができるようになる図
定義
基本知識：
加法定理 ・乗法定理
加法 P(x) = Σy p(x,y) ==周辺化
乗法 P(x,y) = P(x|y)p(y)
変形した乗法定理：P(x|y) = P(x,y)P(y)
この2つの定理を式変形して式を変化させて解いていくよ
ベイジアンネットワークを使うには必要最低限として三つの確率がある
P(a,b,c) = p(c | a.b) p(a,b)
= p(c | a,b ) p(b | c) p(a)
親と子ノードが一目瞭然
独立性や関係性を分かりやすく調べることが可能。
ノードの条件付け
3つのノードの関係性は3種類に分けられる
１．head to tail
2. head to head
3. tail to tail
１．head-to-tail
p(a,b,c) = p(b|c)p(c|a) p(a) 関連しているなら
cの条件によってa b がどうなるかを調べる。
p(a,b | c) = p(a,b,c) / p(c) = p(b | c) p(c|a) p(a) / p(c)==>
p(b | c) p(a | c) 条件付き独立
例：プログラミングの勉強をする（A） プログラムの仕事を受注する（B） プログラムのスキルを取得する（C）
プログラムの勉強したらプログラムのスキルを取得できる可能性が上がる。つまりスキルがあれば関連の仕事を取得できる可能性が上がる。
また勉強しなければ、スキルを手にする可能性は影響しない。また関連の仕事を得る可能性も変わらない。 事象が独立している状態である。
いい例考えたわ、天才の類かな。
２．tail-to-tail
p(a,b,c) = p(a|c)p(b|c) p(c)
cの条件によって‘a、bがどうなるかを調べる
p(a,b | c) = p(a,b,c) / p(c) = p(a|c) p(b|c) p(c) / p(c)
= p(a|c) p(b|c) 条件付き独立
例えば、お金が融資される場合（C）、PCの増設をする（A）またはおいしいものを食べに行く(B)確立に影響が起こる。
お金が融資されない場合（！C）、またA・Bにも影響がないかも。つまり条件CによってAとBが独立したイベントである。
３．head - to -head
p(a,b,c) = p(c| a,b) p(a) p(b)
どう式変形しても独立の形にならない
例えば、AとBは2人の数学のテストの結果で、
Cはその間の差とかだとするとどうやっても関連性ができてしまうという話。