Imani, mtandao wa maamuzi, muundo wa Bayesian (ian) au muundo wa grafu ya acyclic inayoendeshwa kwa uwezekano ni lahaja (aina ya muundo wa takwimu) ambao unawakilisha seti ya viambajengo na utegemezi wao wa masharti kupitia grafu ya acyclic iliyoelekezwa (DAG).
Kwa mfano, mtandao wa Bayesian unaweza kuwakilisha uhusiano unaowezekana kati ya magonjwa na dalili. Kutokana na mwisho, mtandao unaweza kutumika kuhesabu uwezekano wa kuwa na magonjwa mbalimbali. Katika video iliyo hapa chini unaweza kuona mfano wa mtandao wa imani ya Bayesian wenye hesabu.
Ufanisi
Algoriti zinazofaa zinaweza kutekeleza makisio na kujifunza kwenye mitandao ya Bayesian. Mitandao inayoiga vigeu (kama vile ishara za usemi au mfuatano wa protini) inaitwa mitandao inayobadilika. Ujumla wa mitandao ya Bayesian ambayo inaweza kuwakilisha na kutatua matatizo chini ya kutokuwa na uhakika huitwa michoro ya ushawishi.
Essence
RasmiMitandao ya Bayesian ni DAG ambazo nodi zake zinawakilisha vigeu katika maana ya Bayesian: zinaweza kuzingatiwa maadili, vigeu vilivyofichwa, vigezo visivyojulikana, au dhana. Kwa sababu inavutia sana.
Mfano wa mtandao wa Bayesian
Matukio mawili yanaweza kusababisha nyasi kunyesha: kinyunyiziaji au mvua. Mvua ina athari ya moja kwa moja juu ya matumizi ya kinyunyizio (yaani, kwamba wakati wa mvua, kinyunyizio kawaida hakifanyiki). Hali hii inaweza kuigwa kwa kutumia mtandao wa Bayesian.
Uigaji
Kwa sababu mtandao wa Bayesian ni kielelezo kamili cha vigeuzo vyake na uhusiano wao, unaweza kutumika kujibu maswali ya uwezekano kuzihusu. Kwa mfano, inaweza kutumika kusasisha maarifa kuhusu hali ya kitengo kidogo cha vigeu wakati data nyingine (vigezo vya ushahidi) vinazingatiwa. Mchakato huu wa kuvutia unaitwa inference probabilistic.
A posteriori inatoa takwimu ya kutosha kwa wote kwa ajili ya programu za ugunduzi wakati wa kuchagua thamani za kikundi kidogo cha vigezo. Kwa hivyo, algorithm hii inaweza kuzingatiwa kama utaratibu wa kutumia nadharia ya Bayes kiotomatiki kwa shida ngumu. Katika picha katika makala unaweza kuona mifano ya mitandao ya imani ya Bayesian.
Njia za Kutoa
Njia halisi za uelekezaji zinazojulikana zaidi ni: uondoaji tofauti, ambao huondoa (kwa ujumuishaji au muhtasari) isiyoonekana.vigezo visivyo vya maswali kimoja baada ya kingine kwa kutenga kiasi cha bidhaa.
Bofya uenezi wa "mti" unaohifadhi mahesabu ili viambajengo vingi viweze kuulizwa mara moja na uthibitisho mpya uweze kuenezwa haraka; na ulinganishaji unaojirudia na/au kutafuta, ambao huruhusu ubadilishanaji kati ya nafasi na wakati na kuendana na ufanisi wa uondoaji tofauti wakati nafasi ya kutosha inatumika.
Njia hizi zote zina uchangamano maalum ambao unategemea kwa kiasi kikubwa urefu wa mtandao. Kanuni za makadirio ya algoriti zinazojulikana zaidi ni uondoaji wa sehemu ndogo, uenezaji wa imani mzunguko, uenezaji wa imani wa jumla, na mbinu tofauti.
Mitandao
Ili kubainisha kikamilifu mtandao wa Bayesian na hivyo kuwakilisha kikamilifu usambaaji wa pamoja wa uwezekano, ni muhimu kubainisha kwa kila nodi X ugawaji wa uwezekano wa X kutokana na wazazi wa X.
Usambazaji wa X kwa masharti na wazazi wake unaweza kuwa wa aina yoyote. Ni kawaida kufanya kazi na usambazaji wa kipekee au wa Gaussian kwani hurahisisha mahesabu. Wakati mwingine vikwazo vya usambazaji pekee vinajulikana. Kisha unaweza kutumia entropy kuamua usambazaji mmoja ambao una entropy ya juu zaidi kutokana na vikwazo.
Vile vile, katika muktadha mahususi wa mtandao unaobadilika wa Bayesian, usambazaji wa masharti kwa mageuzi ya muda ya fiche.state kawaida huwekwa ili kuongeza kiwango cha entropy cha mchakato unaodokezwa bila mpangilio.
Kuongeza uwezekano wa moja kwa moja (au uwezekano wa nyuma) mara nyingi ni gumu kutokana na kuwepo kwa vigeu visivyoangaliwa. Hii ni kweli hasa kwa mtandao wa maamuzi wa Bayesian.
Njia ya kitamaduni
Njia ya kawaida ya tatizo hili ni kanuni ya uongezaji matarajio, ambayo hubadilishana kukokotoa thamani zinazotarajiwa za vigeu visivyoangaliwa kulingana na data iliyozingatiwa na kuongeza uwezekano wa jumla (au thamani ya nyuma), ikizingatiwa kuwa ile iliyokokotwa hapo awali ilitarajiwa. maadili ni sahihi. Chini ya masharti ya utaratibu wa wastani, mchakato huu huungana katika viwango vya juu zaidi (au vya juu vya posteriori) vya vigezo.
Mtazamo kamili zaidi wa vigezo vya Bayesian ni kuvichukulia kama vigeu vya ziada ambavyo havijazingatiwa na kukokotoa usambazaji kamili wa nyuma juu ya nodi zote kutokana na data iliyozingatiwa, na kisha kuunganisha vigezo. Mbinu hii inaweza kuwa ya gharama kubwa na kusababisha miundo mikubwa, hivyo kufanya mbinu za kurekebisha vigezo kufikiwa zaidi.
Kwa njia rahisi zaidi, mtandao wa Bayesian hufafanuliwa na mtaalamu na kisha kutumika kutekeleza makisio. Katika matumizi mengine, kazi ya kuamua ni ngumu sana kwa mwanadamu. Katika hali hii, muundo wa mtandao wa neva wa Bayesian na vigezo vya usambazaji wa ndani lazima ujifunze miongoni mwa data.
Njia mbadala
Njia mbadala ya kujifunza kwa mpangilio hutumia utafutaji wa uboreshaji. Hili linahitaji matumizi ya kipengele cha tathmini na mkakati wa utafutaji. Kanuni ya kawaida ya alama ni uwezekano wa nyuma wa muundo uliopewa data ya mafunzo kama vile BIC au BDeu.
Muda unaohitajika kwa utafutaji wa kina unaorejesha muundo unaoongeza alama ni wa hali ya juu katika idadi ya vibadala. Mkakati wa utafutaji wa ndani hufanya mabadiliko ya ziada ili kuboresha makadirio ya muundo. Friedman na wenzake walizingatia kutumia habari ya kuheshimiana kati ya vijiti ili kupata muundo unaotaka. Huweka kikomo seti ya watahiniwa wazazi kwa nodi za k na kuzitafuta kwa makini.
Njia ya haraka sana ya kusoma BN haswa ni kufikiria tatizo kama tatizo la uboreshaji na kulitatua kwa kutumia programu kamili. Vikwazo vya Acyclicity vinaongezwa kwenye programu ya integer (IP) wakati wa suluhisho kwa namna ya kukata ndege. Mbinu kama hii inaweza kushughulikia matatizo hadi vigeu 100.
Kutatua Matatizo
Ili kutatua matatizo na maelfu ya vigezo, mbinu tofauti inahitajika. Moja ni kuchagua kwanza agizo moja na kisha kupata muundo bora wa BN kwa heshima na agizo hilo. Hii ina maana ya kufanya kazi katika nafasi ya utafutaji ya kuagiza iwezekanavyo, ambayo ni rahisi kwa sababu ni ndogo kuliko nafasi ya miundo ya mtandao. Maagizo kadhaa huchaguliwa na kutathminiwa. Njia hii iligeukainapatikana vyema katika fasihi wakati idadi ya vigeu ni kubwa.
Njia nyingine ni kuzingatia aina ndogo ya miundo inayoweza kuharibika ambayo MLE hufungwa kwayo. Kisha unaweza kupata muundo thabiti wa mamia ya vigeu.
Kusoma mitandao ya Bayesian yenye upana mdogo wa mistari mitatu ni muhimu ili kutoa ufahamu sahihi, unaoweza kufasiriwa, kwa kuwa uchangamano wa hali mbaya zaidi wa mwisho ni mkubwa katika urefu wa mti k (kulingana na nadharia ya muda wa kielelezo). Walakini, kama sifa ya kimataifa ya grafu, huongeza sana ugumu wa mchakato wa kujifunza. Katika muktadha huu, mti wa K unaweza kutumika kwa kujifunza kwa ufanisi.
Maendeleo
Uendelezaji wa Wavuti ya Uaminifu ya Bayesian mara nyingi huanza kwa kuunda DAG G hivi kwamba X inatosheleza mali ya eneo la Markov kwa heshima na G. Wakati mwingine hii ni sababu ya DAG. Migawanyiko ya uwezekano wa masharti ya kila kigezo juu ya wazazi wake katika G inakadiriwa. Katika hali nyingi, haswa wakati vigeu ni tofauti, ikiwa usambazaji wa pamoja wa X ni zao la usambazaji huu wa masharti, basi X inakuwa mtandao wa Bayesian kuhusiana na G.
"blanketi ya fundo" ya Markov ni seti ya mafundo. Jalada la Markov hufanya nodi kuwa huru kutoka kwa sehemu iliyobaki ya nodi iliyo na jina moja na ni maarifa ya kutosha kuhesabu usambazaji wake. X ni mtandao wa Bayesian kwa heshima na G ikiwa kila nodi iko huru kwa masharti ya nodi zingine zote, ikizingatiwa Markovian yake.blanketi.
