In this case a1 is a constant coeffi

In this case a1 is a constant coefficient that reflects the extent to which parent variable X1 influences,accounts for or explains the value of Y;similarly for a2 and X2.U represents theme an value of Y and the variation in its values which can not be explained by the model. If Y is in fact a linear function of all of its parent variables, then U represents the cumulative linear effect of all the parents that are unknown or unrepresented in this simple model. IfU is distributed as a Gaussian N(µ,σ2) (normal), the model is known as linear Gaussian. This simple model is equally well represented by Figure 8.2. Usually, we will not bother to represent the factorU explicitly, especially in our graphical models. When dealing with standardized linear models, the impact ofU can always be computed from the remainder of the model in any case. A linear model may come from any source, for example, from someone’s imagination. It may, of course, come from the statistical method of linear regression, which finds the linear function which minimizes unpredicted (residual) variation in the value of the dependent variableY given values for the independent variables Xi. What we are concerned with in this chapter is the discovery of a joint system of linear equations by means distinct from linear regression.These means may not necessarily strictly minimize residual variation, but they will have other virtues, such as discovering better explanatory models than regression methods can, as we shall see.

Kết quả (Việt) 1:

Trong trường hợp này, a1 là một liên tục coefficient rằng reflects trong phạm vi mà cha mẹ biến X 1 influences, chiếm hoặc giải thích giá trị của Y; tương tự cho a2 và X 2. U đại diện cho chủ đề một giá trị của Y và các biến thể trong các giá trị mà không có thể được giải thích bởi các mô hình. Nếu Y trong thực tế là một hàm tuyến tính của tất cả các biến phụ huynh, sau đó U đại diện cho hiệu ứng tích lũy tuyến tính của tất cả các bậc cha mẹ không rõ hoặc unrepresented trong mô hình này đơn giản. IfU được phân phối như là một N(µ,σ2) Gaussian (bình thường), các mô hình được gọi là tuyến tính Gaussian. Mô hình này đơn giản như nhau cũng được đại diện bởi hình 8.2. Thông thường, chúng tôi sẽ không bận tâm để đại diện cho factorU một cách rõ ràng, đặc biệt là trong các mô hình đồ họa của chúng tôi. Khi giao dịch với tiêu chuẩn hóa các mô hình tuyến tính, ofU tác động có thể luôn luôn được tính toán từ phần còn lại của các mô hình trong bất kỳ trường hợp nào. Một mô hình tuyến tính có thể đến từ bất kỳ nguồn nào, ví dụ, từ trí tưởng tượng của một ai đó. Nó có thể, tất nhiên, đến từ phương pháp thống kê của hồi quy tuyến tính, mà finds các chức năng tuyến tính mà giảm thiểu unpredicted biến thể (dư) trong giá trị của phụ thuộc vào variableY cho giá trị biến độc lập Xi. Những gì chúng tôi đang quan tâm đến trong chương này là phát hiện ra một hệ thống chung của phương trình tuyến tính bằng phương tiện riêng biệt từ hồi qui tuyến tính. Này có nghĩa là có thể không nhất thiết phải nghiêm chỉnh giảm thiểu biến thể còn lại, nhưng họ sẽ có Đức tính khác, chẳng hạn như phát hiện mô hình giải thích tốt hơn so với phương pháp hồi quy có thể, như chúng ta sẽ thấy.

Kết quả (Việt) 2:

Trong trường hợp này a1 là một coef fi cient liên tục mà lại các dự fl mức độ mà biến mẹ X1 trong uences fl, chiếm hoặc giải thích giá trị của Y; tương tự cho a2 và X2.U đại diện cho chủ đề giá trị của Y và các biến thể trong các giá trị của nó mà có thể không được giải thích bằng mô hình. Nếu Y là trong thực tế, một hàm tuyến tính của tất cả các biến cha mẹ của nó, sau đó U đại diện cho các hiệu ứng tuyến tính tích lũy của tất cả các bậc cha mẹ mà không biết hoặc không có người thay mặt trong mô hình đơn giản này. IFU được phân phối như một Gaussian N (μ, σ2) (bình thường), mô hình được gọi là tuyến tính Gaussian. Mô hình đơn giản này là tốt như nhau đại diện bởi hình 8.2. Thông thường, chúng tôi sẽ không bận tâm để đại diện cho factorU một cách rõ ràng, đặc biệt là trong các mô hình đồ họa của chúng tôi. Khi giao dịch với các mô hình tuyến tính tiêu chuẩn hóa, tác động Ofu luôn luôn có thể được tính từ phần còn lại của mô hình trong mọi trường hợp. Một mô hình tuyến tính có thể đến từ bất cứ nguồn nào, ví dụ, từ trí tưởng tượng của một ai đó. Nó có thể, tất nhiên, đến từ các phương pháp thống kê hồi quy tuyến tính, mà fi nds các hàm tuyến tính mà giảm thiểu khó lường (còn lại) biến đổi trong giá trị của các giá trị variableY được phụ thuộc cho các biến độc lập Xi. Việc phát hiện ra một hệ thống chung của phương trình tuyến tính bằng phương tiện riêng biệt từ các phương tiện regression.These tuyến tính có thể không nhất thiết phải giảm thiểu nghiêm biến còn lại những gì chúng ta đang quan tâm đến trong chương này, nhưng họ sẽ có các đức tính khác, chẳng hạn như phát hiện các mô hình giải thích tốt hơn so với hồi quy phương pháp có thể, như chúng ta sẽ thấy.