贝叶斯网络：用图建模概率关系

可视化演示

展示医疗诊断贝叶斯网络的有向无环图结构和概率推断过程，通过滑块调节先验参数观察后验概率变化。

有向无环图

聚会第三天，家人开始按“谁传给了谁”画图。爷爷的圈指向爸爸的圈，爸爸的圈指向孩子的圈——一张图就勾勒出了整场感冒的传播脉络。这张图中最重要的规则是：箭头只能往前指，不能绕回自己形成闭环。因为感冒不可能让爷爷再反过来被孙子传染一遍（至少在这段时间内不可能），概率的逻辑也需要这种“不回头”的保证。

在贝叶斯网络中，这张图被称为有向无环图（Directed Acyclic Graph，DAG）。每个节点代表一个随机变量，比如“爷爷是否感冒”；每条有向边表示父节点对子节点的直接条件依赖，比如爷爷的状态会影响爸爸的状态。贝叶斯网络的精巧之处在于：它把“所有变量一起出现的联合概率”压缩成每个变量只依赖其父节点的条件概率乘积。这样一来，原本需要记录 \(2^n\) 个数值的全联合表，被拆成若干张小表，存储和计算都大幅简化。

$$\displaystyle P(X_1,\dots,X_n)=\prod_{i=1}^{n}P(X_i\mid \text{Parents}(X_i))$$

1. 联合分布：左边 \(P(X_1,\dots,X_n)\) 表示所有随机变量同时发生的概率，是整场“感冒账本”的总和。

$$\displaystyle P(X_1,\dots,X_n)$$

2. 连乘符号：\(\prod_{i=1}^{n}\) 将 \(n\) 个条件概率依次相乘，对应“传播链条逐级传递”的假设。

$$\displaystyle \prod_{i=1}^{n}$$

3. 条件概率项：\(P(X_i \mid \text{Parents}(X_i))\) 表示每个变量在已知父节点状态时的概率，它的“考官”只有直接父节点。

$$\displaystyle P(X_i \mid \text{Parents}(X_i))$$

这张传染链地图告诉我们一个关键思想：全局依赖可以由局部依赖叠加而成。正如家里的每个人只需知道自己被谁直接传染，整场聚会的感染模式就能被完整重现。

条件概率基础

判断爸爸会不会生病，不能只看爷爷病没病，还要看“爷爷已病时爸爸病倒的比例”和“爷爷没病时爸爸病倒的比例”。这就是条件概率：在给定某个前提后，重新评估事件发生的可能性。它像一把体温计，把“已知信息”插进去，读出更新的健康概率。

贝叶斯网络的每个箭头都携带一张条件概率表。例如 \(P(F=1 \mid G=1)=0.8\) 表示爷爷生病时爸爸有 80% 概率被传染；\(P(F=1 \mid G=0)=0.2\) 表示爷爷没病时爸爸仍有 20% 概率从社区感染。先验概率则是没有任何证据时的初始信念，比如 \(P(G=1)=0.3\)，这是从往年聚会数据里统计出来的“爷爷一开场就带病来的概率”。

把条件概率倒过来用，就是贝叶斯公式。它回答的是“看到结果后反推原因”的问题：如果爸爸真的生病了，爷爷是传染源的概率有多大？

$$\displaystyle P(G\mid F)=\frac{P(F\mid G)\,P(G)}{P(F\mid G)\,P(G)+P(F\mid \neg G)\,P(\neg G)}$$

1. 分子：\(P(F \mid G)P(G)\) 表示“爷爷生病且爸爸被他传染”的联合路径权重。

$$\displaystyle P(F\mid G)\,P(G)$$

2. 分母：加上 \(P(F \mid \neg G)P(\neg G)\)，涵盖“爷爷没病但爸爸从别处感染”的所有可能，保证概率总和为 1。

$$\displaystyle P(F\mid G)\,P(G)+P(F\mid \neg G)\,P(\neg G)$$

3. 除法的意义：用“目标路径的权重”除以“所有路径的总权重”，得到归一化后的后验概率。

$$\displaystyle P(G\mid F)$$

代入数字：\(0.8 \times 0.3 = 0.24\)，分母为 \(0.24 + 0.2 \times 0.7 = 0.38\)，所以 \(P(G \mid F) \approx 0.632\)。也就是说，看到爸爸生病后，爷爷是传染源的概率从先验 0.3 提高到了约 0.63。这正是体温计的功能：证据让信念升温。

联合概率分解

如果要把全家三人“谁病谁没病”的所有可能性都列出来，需要记录 \(2^3=8\) 个联合概率。若是 10 个家庭成员，就是 1024 个；30 个人，十亿级别——这显然不现实。聪明的做法是像记账一样，沿着传播链逐层展开：先记爷爷的先验，再记爸爸在爷爷条件下的概率，最后记孩子在爸爸条件下的概率。

这种展开方式叫链式法则。它对任何概率分布都成立，因为联合概率总可以按变量顺序逐级条件化。而贝叶斯网络的价值在于：无环图的结构告诉我们很多条件关系是多余的。以“爷爷→爸爸→孩子”这条链为例，孩子是否生病在给定爸爸状态后，其实不需要再直接考虑爷爷——爷爷的影响已经全部折算进爸爸的状态里了。

$$\displaystyle P(G,F,C)=P(C\mid F)\,P(F\mid G)\,P(G)$$

1. 联合概率：左边 \(P(G,F,C)\) 表示爷爷、爸爸、孩子三人状态的联合概率，0 或 1 共八种组合。

$$\displaystyle P(G,F,C)$$

2. 孩子项：\(P(C \mid F)\) 表示孩子只直接依赖爸爸，这是结构赋予的简化。

$$\displaystyle P(C\mid F)$$

3. 爸爸项：\(P(F \mid G)\) 表示爸爸只直接依赖爷爷，承接上游信息。

$$\displaystyle P(F\mid G)$$

4. 爷爷项：\(P(G)\) 是无父节点的先验概率，一切传播的源头。

$$\displaystyle P(G)$$

用这个“概率账本”可以算出 \(P(F=1)=0.38\)，进而算出 \(P(C=1)=0.652\)。整场聚会的感冒风险，就从这三张乘法表中完整推导出来。账本越细，越能体现图结构省下的巨量空间。

条件独立性

在传染链中有一个微妙而重要的现象：如果爸爸的状态已经确知——比如爸爸确定没病——那么爷爷是否生病，对判断孩子是否生病还有帮助吗？没有。因为爷爷对孩子的影响必须通过爸爸传递，而爸爸这条通道已经“封闭”了。此时我们说：给定爸爸后，爷爷与孩子条件独立。

条件独立用公式可以写成 \(P(C \mid G, F) = P(C \mid F)\)，意思是“多知道爷爷的信息不会改变孩子的概率分布”。这个概念是贝叶斯网络计算效率的第二大支柱。判断两组节点是否条件独立，有一套系统的方法叫 d-分离（directional separation）：在一个有向无环图中，如果所有连接两组的路径都被“证据节点”阻断，那么这两组节点在给定证据后条件独立。链式结构中的中间节点被观测时，路径即被阻断；碰撞结构中，后代被观测时反而会打开路径。

$$\displaystyle P(C\mid G,F)=P(C\mid F)$$

1. 条件概率：左边 \(P(C \mid G, F)\) 表示同时知道爷爷和爸爸状态时，孩子生病的概率。

$$\displaystyle P(C\mid G,F)$$

2. 等式：右边 \(P(C \mid F)\) 只保留爸爸条件，说明爷爷的信息被“屏蔽”。

$$\displaystyle P(C\mid F)$$

3. 等价含义：等式成立意味着 \(C\) 与 \(G\) 在给定 \(F\) 后独立，联合概率可以进一步化简。

$$\displaystyle P(G,F,C)=P(C\mid F)\,P(F\mid G)\,P(G)$$

这就是马尔可夫性：给定父节点后，一个节点与其所有非后代节点条件独立。它保证了贝叶斯网络的分解不会“重复计算”信息，也让推断算法可以像剥洋葱一样一层层隔离问题。

贝叶斯推断

现在进入全家人最关心的问题：孩子确诊了，到底是谁传给他的？从直觉上，孩子生病这个“证据”会让爷爷和爸爸的嫌疑同时上升，但上升幅度不同。贝叶斯推断给出了精确的数值答案。它像一个侦探，从现场（症状）出发，沿着传播链反方向寻找源头。

推断分为两种方向。正向推理是从原因到结果：已知爷爷生病的概率，计算孩子生病的概率，这通过联合概率分解求和即可完成。反向诊断则相反：已知孩子生病，计算爷爷生病的后验概率，这需要把证据沿箭头反向传导，用贝叶斯公式把条件概率“调转方向”。整个过程中，对所有不能直接观测的变量进行求和（边缘化）是无害的，只要最后除以证据概率完成归一化。

$$\displaystyle P(G=1\mid C=1)=\frac{\sum_{F}P(C=1\mid F)\,P(F\mid G=1)\,P(G=1)}{\sum_{G}\sum_{F}P(C=1\mid F)\,P(F\mid G)\,P(G)}$$

1. 分子求和：\(\sum_{F}P(C=1\mid F)P(F\mid G=1)P(G=1)\) 表示“爷爷生病、爸爸可能病也可能不病”的所有路径概率之和，结果为 0.246。

$$\displaystyle \sum_{F}P(C=1\mid F)\,P(F\mid G=1)\,P(G=1)$$

2. 分母双重求和：\(\sum_{G}\sum_{F}\) 把所有爷爷状态和爸爸状态组合都纳入，得到孩子生病的边际概率 0.652。

$$\displaystyle \sum_{G}\sum_{F}P(C=1\mid F)\,P(F\mid G)\,P(G)$$

3. 比值：\(0.246 / 0.652 \approx 0.377\)，即孩子确诊后爷爷感染的后验概率。

$$\displaystyle P(G=1\mid C=1)\approx 0.377$$

从 0.3 到 0.377，爷爷的“嫌疑值”上升了。如果孩子是家庭聚会的密切接触人群，这个数值在真实系统中会被进一步放大。贝叶斯网络就这样把侦探的直觉，变成了可审计、可重复的概率计算。

参数学习

以上所有计算都依赖条件概率表，比如 \(P(F=1 \mid G=1)=0.8\)。这些数字从哪来？答案是数据。医院收集上千个类似家庭的记录：爷爷是否生病、爸爸是否生病、孩子是否生病，然后统计频率，得到一张张条件概率表。这个过程叫参数学习，相当于用真实世界的历史数据给贝叶斯网络“校准体温计”。

最常用的学习方法是极大似然估计（Maximum Likelihood Estimation，MLE）。它的思想很朴素：选择一组概率参数，使得我们观测到的数据出现的可能性最大。比如在 100 个“爷爷生病”的样本中，有 80 个爸爸也生病，那么 \(P(F=1 \mid G=1)=80/100=0.8\) 就是最自然的估计。每个条件概率表都可以单独统计，因为贝叶斯网络的分解结构让不同参数之间互不干扰。

$$\displaystyle \hat{\theta}_{ijk}=\frac{N_{ijk}}{\sum_{k}N_{ijk}}$$

1. 分子 \(N_{ijk}\)：样本中父节点取第 \(j\) 种状态、当前节点取第 \(k\) 种状态的计数。

$$\displaystyle N_{ijk}$$

2. 分母求和：\(\sum_{k}N_{ijk}\) 是固定父节点状态后，当前节点所有状态的计数总和。

$$\displaystyle \sum_{k}N_{ijk}$$

3. 估计值：\(\hat{\theta}_{ijk}\) 就是该条件下第 \(k\) 种结果的经验概率。

$$\displaystyle \hat{\theta}_{ijk}$$

当某些组合的样本极少时（比如“爷爷生病但爸爸没病”只有 1 例），直接算出的 0.01 概率可能不稳健。这时可以引入平滑项，比如给每个计数加上一个小常数，避免出现“0 概率导致整个乘积归零”的尴尬。参数学习让贝叶斯网络从“拍脑袋的假设”变成“数据驱动的模型”。

典型应用场景

把感冒家族的三节点模型放大一万倍，就进入了真实的工业级应用。医院的急诊分诊系统里，节点可能是“是否感染流感”“是否发热”“是否接触过病例”“白细胞计数”等几十个变量，箭头连接的是医学上已知的依赖关系。当医生输入“发热+接触史”作为证据，系统立刻给出各类疾病的概率排序，辅助医生决策。这正是把“家族传染链”换成了“疾病→症状→诊断”的因果链。

在金融风控中，贝叶斯网络被用来建模“收入稳定性”“历史违约”“外部经济环境”等因素如何共同影响还款概率。银行输入某客户的已知信息（证据），网络反向推断其违约风险。故障诊断领域也有类似逻辑：传感器报警（证据）反向推算出最可能出故障的零部件。这些场景的共同点是：变量多、关系复杂、部分信息缺失，但已有知识可以画出依赖结构。

$$\displaystyle P(D=1\mid T=1)=\frac{P(T=1\mid D=1)\,P(D=1)}{P(T=1\mid D=1)\,P(D=1)+P(T=1\mid D=0)\,P(D=0)}$$

1. 患病先验 \(P(D=1)\)：人群中某疾病的基线发病率，比如 1%。

$$\displaystyle P(D=1)$$

2. 灵敏度 \(P(T=1 \mid D=1)\)：患者检测为阳性的概率，反映检测方法的捕捉能力。

$$\displaystyle P(T=1\mid D=1)$$

3. 特异度 \(P(T=1 \mid D=0)\)：健康者误报为阳性的概率，反映检测方法的误报率。

$$\displaystyle P(T=1\mid D=0)$$

4. 后验 \(P(D=1 \mid T=1)\)：看到阳性报告后真实的患病概率，由先验和检测特性共同决定。

$$\displaystyle P(D=1\mid T=1)$$

从家族的感冒传播到医院的诊断系统，贝叶斯网络始终在做同一件事：把人类关于“谁影响谁”的常识画成一张图，再让概率在这张图上沿箭头双向流动。它不承诺奇迹，却给了复杂世界一种清晰、可解释的建模语言。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""感冒家族贝叶斯网络: 爷爷(G) -> 爸爸(F) -> 孩子(C)""" import itertools # 先验概率 P(G)p_g = {0: 0.7, 1: 0.3} # 条件概率 P(F|G): 外键 G, 内键 Fp_f_g = {0: {0: 0.8, 1: 0.2}, 1: {0: 0.2, 1: 0.8}} # 条件概率 P(C|F): 外键 F, 内键 Cp_c_f = {0: {0: 0.5, 1: 0.5}, 1: {0: 0.1, 1: 0.9}}  def joint(g, f, c):    """三个变量的联合概率"""    return p_g[g] * p_f_g[g][f] * p_c_f[f][c]  def infer(target, value, evidence):    """计算 P(target=value | evidence), 枚举全部 8 种状态求和"""    norm = 0.0    hit = 0.0    for g, f, c in itertools.product((0, 1), repeat=3):        state = {'G': g, 'F': f, 'C': c}        if all(state[k] == v for k, v in evidence.items()):            w = joint(g, f, c)            norm += w            if state[target] == value:                hit += w    return hit / norm if norm > 0 else 0.0  if __name__ == '__main__':    print('P(F=1)         =', round(infer('F', 1, {}), 4))    print('P(C=1)         =', round(infer('C', 1, {}), 4))    print('P(G=1|C=1)     =', round(infer('G', 1, {'C': 1}), 4))    print('P(F=1|G=1)     =', round(infer('F', 1, {'G': 1}), 4))

1. def joint(g, f, c)按链式法则计算联合概率：先验乘两个条件概率，对应“爷爷→爸爸→孩子”的传染链。
2. for g, f, c in itertools.product((0, 1), repeat=3)枚举三变量的全部 8 种状态组合，这是精确推断的基础。
3. if all(state[k] == v for k, v in evidence.items())只保留满足证据条件的状态，过滤出与观测吻合的样本空间。
4. norm += w累计证据概率，作为归一化分母。
5. return hit / norm if norm > 0 else 0.0目标状态概率除以证据概率，得到后验条件概率。

常见误区

面试题