Představte si svět jako graf s Bayesovou větou

Bayesův teorém vám může pomoci odvodit, jak je pravděpodobné, že se něco stane v určitém kontextu, na základě obecných pravděpodobností samotného faktu a důkazů, které zkoumáte, a v kombinaci s pravděpodobností důkazů daného faktu. Jen málokdy jediný důkaz sníží pochybnosti a poskytne dostatek jistoty v předpovědi, aby se zajistilo, že se tak stane. Jako správný detektiv, abyste dosáhli jistoty, musíte shromáždit více důkazů a přimět jednotlivé kusy, aby ve vašem vyšetřování spolupracovaly. Všimnout si, že má člověk dlouhé vlasy, nestačí k určení, zda jde o ženu nebo muže. Přidání údajů o výšce a váze může pomoci zvýšit důvěru.

Algoritmus Naïve Bayes vám pomůže uspořádat všechny shromážděné důkazy a dosáhnout spolehlivější předpovědi s vyšší pravděpodobností, že bude správná. Shromážděné důkazy zvažované jednotlivě vás nemohly zachránit před rizikem nesprávné předpovědi, ale všechny důkazy sečtené dohromady mohou dosáhnout definitivního řešení. Následující příklad ukazuje, jak věci fungují v klasifikaci Naïve Bayes. Toto je starý známý problém, ale představuje druh schopností, které můžete od AI očekávat. Soubor dat pochází z článku „ Induction of Decision Trees“ od Johna Rosse Quinlana. Quinlan je počítačový vědec, který zásadním způsobem přispěl k vývoji dalšího algoritmu strojového učení, rozhodovacích stromů, ale jeho příklad funguje dobře s jakýmkoliv algoritmem učení. Problém vyžaduje, aby umělá inteligence odhadla nejlepší podmínky pro hraní tenisu vzhledem k povětrnostním podmínkám. Sada funkcí popsaných Quinlanem je následující:

• Výhled: Slunečno, zataženo nebo deštivo
• Teplota: Studená, mírná nebo horká
• Vlhkost: Vysoká nebo normální
• Windy: Pravda nebo nepravda

Následující tabulka obsahuje položky databáze použité pro příklad:

Možnost hrát tenis závisí na čtyřech zde uvedených argumentech.

Naivní Bayesův model může vrátit důkazy ke správnému výsledku.

Výsledkem tohoto příkladu učení AI je rozhodnutí, zda hrát tenis vzhledem k povětrnostním podmínkám (důkazy). Využít pouze výhledu (slunečno, zataženo nebo deštivo) nebude stačit, protože teplota a vlhkost mohou být příliš vysoké nebo může být silný vítr. Tyto argumenty představují skutečné podmínky, které mají více příčin, nebo příčiny, které jsou vzájemně propojené. Algoritmus Naïve Bayes je zručný ve správném hádání, když existuje více příčin.

Algoritmus počítá skóre na základě pravděpodobnosti přijetí konkrétního rozhodnutí a vynásobené pravděpodobnostmi důkazů spojených s tímto rozhodnutím. Například, aby bylo možné určit, zda hrát tenis, když je slunečný výhled, ale fouká silný vítr, algoritmus vypočítá skóre pro kladnou odpověď vynásobením obecné pravděpodobnosti hraní (9 odehraných her ze 14 výskytů) pravděpodobností slunečný den (2 z 9 odehraných her) a větrné podmínky při hraní tenisu (3 z 9 odehraných her). Stejná pravidla platí pro negativní případ (který má za určitých podmínek různé pravděpodobnosti, že nebude hrát):

pravděpodobnost hraní: 9/14 * 2/9 * 3/9 = 0,05

pravděpodobnost, že nebudu hrát: 5/14 * 3/5 * 3/5 = 0,13

Protože je skóre pravděpodobnosti vyšší, algoritmus rozhodne, že je bezpečnější za takových podmínek nehrát. Vypočítá takovou pravděpodobnost sečtením dvou skóre a dělením obou skóre jejich součtem:

pravděpodobnost hraní: 0,05 / (0,05 + 0,13) = 0,278

pravděpodobnost nehraní: 0,13 / (0,05 + 0,13) = 0,722

Naïve Bayes můžete dále rozšířit tak, aby reprezentoval vztahy, které jsou složitější než řada faktorů, které naznačují pravděpodobnost výsledku pomocí Bayesovské sítě, která se skládá z grafů ukazujících, jak se události navzájem ovlivňují. Bayesovské grafy mají uzly, které představují události a oblouky ukazující, které události ovlivňují ostatní, spolu s tabulkou podmíněných pravděpodobností, která ukazuje, jak vztah funguje z hlediska pravděpodobnosti. Obrázek ukazuje slavný příklad bayesovské sítě převzatý z akademického článku z roku 1988 „ Místní výpočty s pravděpodobnostmi na grafických strukturách a jejich aplikace na expertní systémy “, autorů Lauritzen, Steffen L. a David J. Spiegelhalter, publikovaný Journal of Královská statistická společnost.

Bayesovská síť může podpořit lékařské rozhodnutí.

Zobrazená síť se nazývá Asie. Ukazuje možné stavy pacienta a co způsobuje. Pokud má pacient například dušnost, může to být následek tuberkulózy, rakoviny plic nebo bronchitidy. Vědět, zda pacient kouří, byl v Asii nebo má anomální výsledky rentgenového záření (a dává tak jistotu určitým důkazům, a priori v bayesovském jazyce), pomáhá odvodit skutečnou (posteriorní) pravděpodobnost, že bude mít některou z patologií graf.

Bayesovské sítě, i když jsou intuitivní, mají za sebou složitou matematiku a jsou výkonnější než jednoduchý naivní Bayesův algoritmus, protože napodobují svět jako sled příčin a následků založených na pravděpodobnosti. Bayesovské sítě jsou tak efektivní, že je můžete použít k reprezentaci jakékoli situace. Mají různé aplikace, jako jsou lékařské diagnózy, spojování nejistých dat přicházejících z více senzorů, ekonomické modelování a monitorování složitých systémů, jako je automobil. Například, protože jízda v silničním provozu může zahrnovat složité situace s mnoha vozidly, konsorcium Analysis of MassIve Data STreams (AMIDST) ve spolupráci s automobilkou Daimler vymyslelo bayesovskou síť, která dokáže rozpoznat manévry jiných vozidel a zvýšit bezpečnost jízdy. Přečtěte si více o tomto projektua podívejte se na složitou Bayesovu síť .