2018-11-08老师能提个意见不，code 可以加注释吗!
这段代码我看不懂，实在是不知道在做什么。。。
model = MarkovModel([('A', 'B'), ('B', 'C'), ('C', 'D'), ('D', 'A')])
model.add_factors(phi_1, phi_2, phi_3, phi_4)
phi = phi_1 * phi_2 * phi_3 * phi_4
Z = model.get_partition_function()
normalized = phi.values / Z
print(normalized)展开作者回复: 因为使用的编辑器不支持中文注释，索性就没有添加了。
这段代码的内容是建立马尔可夫网的模型，并定义网络节点之间的依赖关系，比如AB两个变量之间存在关联，它们之间的因子函数被定义为phi_1。整个网络的因子函数就是每个单独因子的乘积。
因子函数不满足归一化的条件，所以要把它改写成概率的形式，就必须进行额外的归一化，后面两行就是归一化的过程。
至于代码中具体函数的用法，可以参考pgmpy的文档，里面也有说明。 1
2018-08-31马尔可夫随机场在图像处理中的应用我的理解是根据图像中每个像素点的邻域标签来优化其标签。抽象来看分割，去噪和目标识别都可以用这个方法来处理。
这里可以用一种不够精确的像素分类先保证大多数图像有一个较准确的分类，再应用马尔可夫随机场令图像中某一点的特性或分类只与其附近的邻域有关。图像中的每一个像素就代表概率图模型中的顶点。在随机场中，利用邻域系统可以分析空间上的马尔科夫性：一个像素点的特性，更可能受它周围像素的影响，与它距离越远的像素，对它的特性的影响越小。邻域系统定义了图像中一个像素（中心像素），受周围哪些像素的影响。中心像素和相邻像素一起，构成的集合就是团(clique)。
具体计算中用吉布斯分布的密度函数来计算标记(标签)场的先验概率，即求周围像素点中各个标签出现的概率多大，然后用高斯分布的密度函数求解所求像素点属于哪个标签的概率最大，即这个像素点的条件概率（似然函数）。根据贝叶斯公式目标就是寻找这2个函数值乘积最大的分类标签。展开- 2018-08-31请问老师马尔可夫随机场中的3种形式的条件独立性(马尔可夫性)是同时都成立吗？就是只要是马尔科夫随机场，就满足这种条件独立性？谢谢。
作者回复: 三个强度不一样，全局>局部>成对