贝叶斯网络：有向图建模概率世界

可视化演示

图结构基础

规划师的第一步，是掏出一张白纸，画四个圆圈：天空、事故、拥堵、迟到。然后用带箭头的线把它们连起来——雨影响事故和拥堵，事故影响拥堵，拥堵影响迟到。这张画着圆圈和箭头的草图，就是贝叶斯网络的灵魂：一张有向无环图（DAG）。

图中的每个圆圈叫节点，对应一个随机变量；每条箭头叫有向边，表示“直接依赖”。所谓无环，是指你顺着箭头走永远回不到起点——下雨导致事故，事故又导致下雨，这种循环会让概率逻辑崩溃，所以被严格禁止。父子节点描述的是箭头两侧的关系：箭头指向的节点是子节点，箭头出发的是父节点。

数学上，图结构写作 G = (V, E)，V 是节点集，E 是有向边集，同时要求不存在有向环。

这张草图让“谁影响谁”一目了然。但你很快会发现：只有箭头还远远不够——箭头画出了骨架，却没有告诉我们“影响有多大”。下一节，规划师要给每个路口挂上规则牌。

条件概率表

如果你开车经过一个路口，会看到一块电子屏：“下雨时，前方事故概率 8%；不下雨时，事故概率 2%”。在贝叶斯网络里，每个子节点都挂着这样一块“信号灯规则牌”，学名叫条件概率表（CPT）。

条件概率表回答的是：在父节点取各种可能值的情况下，子节点取某个值的概率是多少。它把“影响”从定性的箭头变成了定量的数字。每个节点的局部分布记作 P(Xᵢ | Pa(Xᵢ))，读作“在父节点已知的条件下，Xᵢ 的分布”。

条件概率表有一个务实的代价：如果一个二值节点有 k 个父节点，它需要记录 2^k 行规则（因为父节点的取值组合有 2^k 种）。每多一个父节点，表格大小就翻一倍。这也是为什么构建网络时要克制——不要让一个路口连接太多上游，否则规则牌会厚到挂不上去。

规则牌挂满了整张地图，可它们都是“局部”的。要回答“全城路况如何”，还必须知道一个关键问题：这些局部规则如何拼成整体的概率？这就是联合概率分解的用武之地。

联合概率分解

整座城的完整路况，是所有路口状态的一次大组合。如果四个路口都是二值的，就有 2⁴ = 16 种全城状态；如果有 30 个变量，就是 10 亿种——直接列出来是天文数字。规划师的聪明做法是：把全城概率写成每个路口“局部规则”的乘积。

这个写法的依据是图结构本身：每个节点一旦知道了父节点的取值，就不再依赖更远的祖先。这就是贝叶斯网络的马尔可夫假设。于是，全城状态的联合分布被分解成 n 个条件概率表的连乘：

对比通用的概率链式法则——每个节点要以所有前辈为条件——贝叶斯网络的分解大幅砍掉了多余条件。原本需要一张指数级大小的“全城照片册”，现在只需要 n 小块规则牌相乘。这是网络结构带来的第一份红利：压缩表达。

但你会追问：为什么能放心地省略那些“更远的祖先”？这背后有一套独立的判定逻辑——条件独立性，它是这座概率之城的红绿灯规则。

条件独立性

假设规划师发现：给定“是否下雨”之后，事故和“地铁是否停运”似乎不再互相影响。这就是条件独立性的直觉——当某个中间信息被固定后，两件事就“各管各的”了。在贝叶斯网络里，这是一切推理加速的根源。

严格定义：给定 Z 时，若 X 与 Y 条件独立，则知道 Y 不会给 X 增加任何额外信息。判断这种关系有一套图上的机械规则，叫 D 分离：在图中把 Z 标记为“被观测”，然后看 X 到 Y 的所有路径是否都被阻断。判断依据是三种结构：顺连（X→Z→Y，观测 Z 则阻断）、分连（X←Z→Y，观测 Z 则阻断）、汇连（X→Z←Y，观测 Z 反而连通）。

D 分离还引出一个重要的“影响范围”概念：马尔可夫毯——一个节点的父节点、子节点、以及子节点的其他父节点集合。给定马尔可夫毯后，该节点与网络中其余节点全部独立。这对理解推断算法至关重要：计算某个节点的分布，只需要它的“邻域”，不需要看全城。

独立关系有了，地图的骨架和规则牌也备齐了。接下来有个现实问题：这张图到底怎么画出来？规划师需要一套可靠的建图流程。

网络构建

城市规划师不会随手乱画箭头。建图有三大原则：第一，圈定重要路口——只保留与你关心的问题相关的变量；第二，根据因果直觉定向——先想清楚“谁是原因、谁是结果”，再画箭头；第三，用数据检验——如果收集到的数据不支持某条箭头，就删掉它。

贝叶斯网络的结构可以由领域专家手工设计，也可以由数据自动学习（结构学习），更常见的是两者结合。结构确定后，条件概率表的数值从数据中统计得到，这叫参数学习。整个过程在贝叶斯视角下被统一写成：看到数据 D 后，结构 G 的后验概率正比于“数据在该结构下的似然”乘“结构本身的先验”。

对新手最实用的启动方式是“专家初稿 + 数据微调”：先请医生画出疾病与症状的箭头，再用病历数据修正箭头方向和填充概率数字。规划师最终锁定了一张可用的交通图。现在真正激动人心的部分来了——图已经画好，如何用它回答实际问题？

精确推断

调度中心接到电话：“西城发生事故，通勤者想知道自己迟到的概率。”这正是推断要做的事：已知一部分变量的取值（证据 e），计算另一部分变量的后验概率。规划师只需要在证据条件下，对所有未知变量做“求和消去”。

最直接的方法是枚举推理：把所有没观测到的隐变量 z₁…zₘ 的可能取值全部列出来，逐一套入联合分布公式，再把与证据一致的情况累加。概率论中的条件概率告诉我们，这等价于一个带归一化的求和。

枚举法虽然直观，却会随隐变量数量爆炸式增长。工程上更常用的精确推断是变量消去：把求和符号尽量往乘法里挪，边乘边消，避免一次性展开全部组合。更进一步的消息传播算法则让每个节点沿有向边向邻居传递“局部信念”。这些方法的时间复杂度主要取决于网络的树宽——节点之间纠缠的最紧程度。

无论哪种推断算法，本质上都是同一个动作：在证据约束下，对全城可能性做条件求和，把“不确定”折算成“概率”。那么，这些概率值到底如何被解释、如何持续更新？下一节，我们围绕推理最常见的三种查询展开。

概率查询

调度员的日常工作不只是回答单一问题，还要随时更新信念。比如：“明天下雨的概率原来只有 20%，突然听说有人因雨天迟到，那下雨的概率会变成多少？” 这类“看到证据后更新看法”的运算，就是贝叶斯公式的核心应用。

贝叶斯公式是整张网络运转的引擎：后验概率 = 似然 × 先验 ÷ 证据概率。先验是你看到证据前的信念，似然是“如果假设为真，证据有多大概率出现”，两者相乘再归一化，就得到更新后的信念。对应到图里，证据从子节点出发“逆向”影响父节点，这正是网络推理的方向之一。

在贝叶斯网络中，这三类查询——边缘概率（想了解“迟到”的总体分布）、条件查询（给定证据求后验）、后验更新（新证据连续加入）——构成了推理的用户界面。无论查询多复杂，底层都是我们在上一节学习的精确推断。你现在已经掌握了从建图到推理的完整链路。最后一站，看看这条链路如何在现实中创造价值。

工程应用

把交通地图的方法搬到医院的电子病历、工厂的传感器网，同一套“因果推演”在完全不同的城市里重演。在医疗诊断中，贝叶斯网络把“疾病”和“症状”连成图，患者有症状，系统反向推断最可能的疾病。这里经典的贝叶斯公式展开成包含“真阳性”与“假阳性”两项的形式，提醒我们不要被检测结果冲昏头脑。

同样的结构还能用于工业故障检测——传感器读数与部件状态构成网络，异常读数反推最可能失效的部件；金融风控则把用户属性、交易行为与违约风险连接起来，在不确定性下评估贷款决策。主流的工具库如 pgmpy、PyMC 都能快速搭建和推断贝叶斯网络。你只需要记住一个信念：任何“多个因素互相影响、信息零散不完整”的领域，都值得用这张有向无环图再组织一次。

AI 应用场景

Python 演示

class BayesNet:    def __init__(self):        self.parents_map = {}        self.cpt_map = {}     def add_node(self, name, parents, cpt):        # 注册节点: 父节点列表和条件概率表        self.parents_map[name] = list(parents)        self.cpt_map[name] = cpt     def joint_prob(self, state):        # 计算完整状态的联合概率: 所有CPT相乘        total = 1.0        for node, cpt in self.cpt_map.items():            parents = self.parents_map[node]            pa_vals = tuple(state[p] for p in parents)            total *= cpt[pa_vals][state[node]]        return total     def _all_assignments(self, nodes):        # 生成隐变量所有取值组合        if not nodes:            yield {}            return        head, tail = nodes[0], nodes[1:]        for val in (False, True):            for rest in self._all_assignments(tail):                item = {head: val}                item.update(rest)                yield item     def infer(self, query, evidence):        # 枚举法精确推断 P(query | evidence)        variables = list(self.cpt_map.keys())        hidden = [v for v in variables if v not in evidence and v != query]        probs = {}        for q_val in (False, True):            total = 0.0            for assign in self._all_assignments(hidden):                state = dict(evidence)                state.update(assign)                state[query] = q_val                total += self.joint_prob(state)            probs[q_val] = total        norm = probs[False] + probs[True]        return {k: v / norm for k, v in probs.items()}  def main():    net = BayesNet()    # P(雨) = 0.2    net.add_node("雨", [], {        (): {False: 0.8, True: 0.2}    })    # 事故: 下雨时 8%, 不下雨 2%    net.add_node("事故", ["雨"], {        (False,): {False: 0.98, True: 0.02},        (True,): {False: 0.92, True: 0.08}    })    # 拥堵: 下雨 30%, 事故 40%, 两者齐发概率更高    net.add_node("拥堵", ["雨", "事故"], {        (False, False): {False: 0.90, True: 0.10},        (True, False): {False: 0.70, True: 0.30},        (False, True): {False: 0.60, True: 0.40},        (True, True): {False: 0.40, True: 0.60}    })    # 迟到: 拥堵时 50%, 不拥堵 5%    net.add_node("迟到", ["拥堵"], {        (False,): {False: 0.95, True: 0.05},        (True,): {False: 0.50, True: 0.50}    })     print("P(迟到 | 雨=True) =", net.infer("迟到", {"雨": True}))    print("P(事故 | 拥堵=True) =", net.infer("事故", {"拥堵": True}))  if __name__ == "__main__":    main()

1. total *= cpt[pa_vals][state[node]]每条局部规则都乘进联合概率，这正是“联合概率分解”的代码化身。
2. pa_vals = tuple(state[p] for p in parents)把父节点当前取值组成元组，作为 CPT 的查表键。
3. hidden = [v for v in variables if v not in evidence and v != query]找出所有需要被“求和消掉”的隐变量。
4. for assign in self._all_assignments(hidden):枚举隐变量的所有取值组合，对应精确推断中的全概率求和。
5. norm = probs[False] + probs[True]计算归一化常数，让后验概率加起来等于 1。
6. if __name__ == "__main__":保证代码被直接运行时才执行演示，被 import 时不执行。

常见误区

面试题