1700535846
在图6.1所示的网络结构中，可以看到(A,B)、(A,C)、(B,D)、(C,D)均构成团，同时也是最大团。因此联合概率分布可以表示为
1700535847
1700535848
1700535849
．
1700535850
1700535851
（6.7）
1700535852
1700535853
如果采用式（6.5）定义的指数函数作为势函数，则有
1700535854
1700535855
1700535856
．
1700535857
1700535858
（6.8）
1700535859
1700535860
于是，
1700535861
1700535862
1700535863
．
1700535864
1700535865
（6.9）
1700535866
1700535867
1700535868
1700535869
1700535870
百面机器学习：算法工程师带你去面试 [:1700532199]
1700535871
百面机器学习：算法工程师带你去面试 02 概率图表示
1700535872
1700535873
1700535874
1700535875
场景描述
1700535876
1700535877
上一节考查了面试者通过概率图还原模型联合概率分布的能力，本小节反其道而行之，考查面试者能否给出模型的概率图表示。
1700535878
1700535879
知识点
1700535880
1700535881
朴素贝叶斯模型，概率图，最大熵模型
1700535882
1700535883
问题1 解释朴素贝叶斯模型的原理，并给出概率图模型表示。
1700535884
1700535885
难度：★★☆☆☆
1700535886
1700535887
分析与解答
1700535888
1700535889
朴素贝叶斯模型通过预测指定样本属于特定类别的概率P(yi|x)来预测该样本的所属类别，即
1700535890
1700535891
1700535892
．
1700535893
1700535894
（6.10）
1700535895