เมื่อใดจึงควรใช้เครือข่ายแบบเบย์ผ่านวิธีการเรียนรู้ของเครื่องอื่น ๆ ?


13

ฉันคาดว่าอาจไม่มีคำตอบที่ชัดเจนสำหรับคำถามนี้ แต่ฉันเคยใช้อัลกอริทึมการเรียนรู้ของเครื่องจักรมาหลายครั้งในอดีตและพยายามเรียนรู้เกี่ยวกับ Bayesian Networks ฉันต้องการที่จะเข้าใจภายใต้สถานการณ์ใดหรือคุณต้องการเลือกใช้เครือข่ายแบบเบย์ผ่านวิธีการอื่น ๆ สำหรับปัญหาประเภทใด


3
สำหรับฉัน Bayesian Networks เป็นวิธีการกำหนดความเป็นอิสระแบบมีเงื่อนไขในแบบจำลอง เมื่อคุณกำหนดแล้วฉันเดาว่าคุณสามารถใช้เครื่องมือการเรียนรู้ที่หลากหลายเพื่อประมาณค่าพารามิเตอร์ของแบบจำลอง ดังนั้นฉันเห็นการแยกชัดเจนระหว่างการเรียนรู้พารามิเตอร์และโมเดล อย่างไรก็ตามฉันไม่ใช่ผู้เชี่ยวชาญเกี่ยวกับเรื่องนี้เพื่อให้ใครบางคนสามารถได้คำตอบที่ดีกว่า
Luca

คำตอบ:


8

XYP(X,Y)P(Y|X)

P(X1|Y)P(X1|X2=A,X3=B)P(Y|X)

BN ใช้ DAG เพื่อกำหนดการกระจายการขาย ดังนั้นพวกเขาเป็นแบบกราฟิก

ข้อดี:

  1. เมื่อคุณมีข้อมูลที่ขาดหายไปจำนวนมากเช่นในด้านการแพทย์ BN มีประสิทธิภาพมากตั้งแต่การจำลองการกระจายข้อต่อ (เช่นการยืนยันว่าวิธีการสร้างข้อมูล) ช่วยลดการพึ่งพาของคุณในการมีชุดข้อมูลที่สังเกตได้อย่างสมบูรณ์

  2. causeeffect

  3. การเรียนรู้การแจกแจงข้อต่อเป็นงานที่ยากการสร้างแบบจำลองสำหรับตัวแปรที่ไม่ต่อเนื่อง (ผ่านการคำนวณตารางความน่าจะเป็นแบบมีเงื่อนไขนั่นคือ CPT) นั้นง่ายกว่าการพยายามทำแบบเดียวกันสำหรับตัวแปรต่อเนื่อง ดังนั้น BN จึงเป็นเรื่องธรรมดามากกว่าด้วยตัวแปรที่ไม่ต่อเนื่อง

  4. BN ไม่เพียง แต่ช่วยให้การอนุมานเชิง (ทุกโมเดลการเรียนรู้ช่วยให้) แต่ยังเป็นสาเหตุการแทรกแซง s นี่เป็นข้อได้เปรียบที่ถูกทอดทิ้งและไม่ได้รับการยอมรับโดยทั่วไปของ BN และเกี่ยวข้องกับการให้เหตุผลเชิงต่อต้าน


1
ในข้อได้เปรียบ 1 ที่คุณบอกว่า BNs มีประสิทธิภาพสำหรับการสร้างแบบจำลองข้อมูลที่มีค่าที่หายไปจำนวนมากค่าที่หายไปเหล่านี้จะไม่ส่งผลต่อการระบุความเป็นอิสระในข้อมูลที่ถูกต้องหรือไม่?
Hossein

1
P(Y,X1,X2)X1X2

1

จากประสบการณ์ของผมคชกรรมเครือข่ายทำงานได้ดีเมื่อมีข้อมูลที่แน่ชัดมิติสูง พวกมันให้แบบจำลองที่ตีความได้ซึ่งบางครั้งช่วยในการทำความเข้าใจว่าตัวแปรต่าง ๆ มีปฏิกิริยาอย่างไร

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.