ก่อนอื่นเราพยายามระบุลักษณะของปัญหาที่พยายามแก้ไขโดยวิธีการเหล่านี้ หากปัญหาตรงไปตรงมาพหุนามหรือ NP Complete เราพร้อมที่จะเสียบอัลกอริธึมที่สามารถให้คำตอบที่กำหนดไว้ได้โดยการรวมตัวกันของกฎตามตรรกะอย่างง่าย อย่างไรก็ตามหากไม่เป็นเช่นนั้นเราจะต้องพึ่งพาวิธีการให้เหตุผลซึ่งเราพยายามที่จะจัดการกับปัญหาในลักษณะที่ต่างกันและเสียบเข้ากับเครือข่ายโหนดที่ถูกประเมินและขอบเป็นเส้นทางระหว่างองค์ประกอบ .
ในการใช้เหตุผลบนเครือข่ายทุกประเภทเราไม่ใช้เหตุผลเชิงลดทอนโดยใช้การสรุปทั่วไปและการรวมกันตามกฎเชิงตรรกะในการไหลเชิงเส้น แต่จะทำงานผ่านปัญหาที่เกิดขึ้นตามการเผยแผ่เหตุผลในทิศทางต่าง ๆ เช่นที่เราแก้ไข ปัญหาหนึ่งโหนดในแต่ละครั้งเปิดให้มีการปรับปรุงในการค้นพบข้อเท็จจริงใหม่ที่เกี่ยวข้องกับโหนดใด ๆ ในอนาคต ตอนนี้ให้เรามาดูกันว่าเทคนิคเหล่านี้แต่ละวิธีเข้าใกล้วิธีการแก้ปัญหาด้วยวิธีของพวกเขาเองอย่างไร
Neural Network:
โครงข่าย Neural เป็นกล่องดำที่เชื่อกัน (ไม่สามารถตรวจสอบได้จากนอกระบบ) ว่าการเชื่อมต่อระหว่างโหนด Simpleton จะเกิดขึ้นและเน้นโดยเสริมกำลังภายนอกซ้ำ มันเข้าใกล้ปัญหาในกระบวนทัศน์ของConnectionsitic ปัญหาน่าจะได้รับการแก้ไข แต่มีวิธีอธิบายน้อยมาก ตาข่ายประสาทตอนนี้ใช้กันอย่างแพร่หลายเพราะความสามารถในการสร้างผลลัพธ์ที่รวดเร็วหากมองข้ามปัญหาที่อธิบายได้
เครือข่าย Bayesian:
เครือข่ายแบบเบย์คือกราฟที่มีทิศทางตรงซึ่งเหมือนผังมากขึ้นเท่านั้นที่แผนภูมิการไหลสามารถมีลูปวนได้ เครือข่าย Bayesian ซึ่งแตกต่างจากแผนภูมิการไหลสามารถมีจุดเริ่มต้นได้หลายจุด โดยทั่วไปจะมีร่องรอยการเผยแผ่ของเหตุการณ์ในหลาย ๆ จุดที่ไม่ชัดเจนซึ่งเหตุการณ์จะเบี่ยงเบนความน่าจะเป็นระหว่างทางเดิน เห็นได้ชัดว่า ณ จุดใดก็ตามในเครือข่ายความน่าจะเป็นของโหนดนั้นที่ถูกเยี่ยมชมนั้นขึ้นอยู่กับความน่าจะเป็นร่วมของโหนดก่อนหน้า เครือข่ายแบบเบย์นั้นแตกต่างจากโครงข่ายประสาทในลักษณะที่เป็นการให้เหตุผลที่ชัดเจนแม้ว่าความน่าจะเป็นและอาจมีหลายสถานะที่มั่นคงบนพื้นฐานของแต่ละขั้นตอนที่มีการทบทวนและแก้ไขภายในค่าทางกฎหมายเช่นเดียวกับอัลกอริทึม มันเป็นวิธีที่แข็งแกร่งในการให้เหตุผลความน่าจะเป็น แต่มันเกี่ยวข้องกับการเข้ารหัสของความน่าจะเป็น
ต้นไม้การตัดสินใจ: ต้นไม้
การตัดสินใจเป็นเครือข่ายอีกครั้งซึ่งเป็นเหมือนแผนภูมิการไหลซึ่งอยู่ใกล้กับเครือข่ายแบบเบย์มากกว่าโครงข่ายประสาท แต่ละโหนดมีความฉลาดมากกว่าเน็ตประสาทและการแตกแขนงสามารถตัดสินใจได้โดยการประเมินทางคณิตศาสตร์หรือความน่าจะเป็น การตัดสินใจเป็นการประเมินที่ตรงไปตรงมาตามการแจกแจงความถี่ของเหตุการณ์ที่เป็นไปได้ซึ่งการตัดสินใจนั้นน่าจะเป็น อย่างไรก็ตามในเครือข่ายแบบเบย์การตัดสินใจขึ้นอยู่กับการกระจายของ 'หลักฐาน' ที่ชี้ไปยังเหตุการณ์ที่เกิดขึ้นแทนที่จะสังเกตโดยตรงจากเหตุการณ์
ตัวอย่าง
เช่นหากเราต้องทำนายการเคลื่อนไหวของเสือกินมนุษย์ในหมู่บ้านหิมาลัยบางแห่งซึ่งอยู่ใกล้กับเขตอนุรักษ์เสือบางแห่งเราสามารถจำลองมันด้วยวิธีใดวิธีหนึ่งดังนี้:
ในต้นไม้ตัดสินใจเราจะใช้การประเมินโดยผู้เชี่ยวชาญว่าเสือจะให้ทางเลือกระหว่างทุ่งโล่งหรือแม่น้ำที่จะเลือกในช่วงหลัง ในเครือข่าย Bayesian เราติดตามเสือด้วยเครื่องหมายปั๊ก แต่มีเหตุผลในลักษณะที่ยอมรับว่าเครื่องหมายปั๊กเหล่านี้อาจเป็นเสือขนาดอื่น ๆ ที่คล้ายกันลาดตระเวนเป็นประจำ ถ้าเราจะใช้โครงข่ายประสาทเราจะต้องฝึกแบบจำลองซ้ำ ๆ โดยใช้ลักษณะเชิงพฤติกรรมต่าง ๆ ของเสือโดยทั่วไปเช่นความพึงพอใจในการว่ายน้ำการเลือกพื้นที่ที่ครอบคลุมมากกว่าพื้นที่เปิดโล่งการหลีกเลี่ยงที่อยู่อาศัยของมนุษย์เพื่อ อนุญาตให้เครือข่ายให้เหตุผลโดยทั่วไปกับเส้นทางที่เสืออาจใช้