Kuvittele maailma graafina Bayesin lauseen avulla

Bayesin lause voi auttaa päättelemään, kuinka todennäköistä on, että jotain tapahtuu tietyssä kontekstissa, perustuen itse tosiasian ja tutkimiesi todisteiden yleisiin todennäköisyyksiin ja yhdistettynä tosiasiaan annetun todisteen todennäköisyyteen. Harvoin yksittäinen todiste vähentää epäilyjä ja antaa riittävän varmuuden ennusteelle varmistaakseen, että se tapahtuu. Todellisena etsivänä sinun on kerättävä lisää todisteita ja saatava yksittäiset osat toimimaan yhdessä tutkimuksessasi saadaksesi varmuuden. Se, että henkilöllä on pitkät hiukset, ei riitä määrittämään, onko henkilö nainen vai mies. Pituus- ja painotietojen lisääminen voi lisätä luottamusta.

Naive Bayes -algoritmi auttaa sinua järjestämään kaikki keräämäsi todisteet ja saavuttamaan luotettavamman ennusteen, jonka todennäköisyys on suurempi. Kerätyt todisteet, joita tarkastellaan yksittäin, eivät pelastaneet sinua virheellisen ennustamisen riskiltä, ​​mutta kaikki todisteet yhteenlaskettuina voivat saavuttaa lopullisemman ratkaisun. Seuraava esimerkki näyttää, kuinka asiat toimivat Naive Bayes -luokituksessa. Tämä on vanha, tunnettu ongelma, mutta se edustaa sellaista kykyä, jota voit odottaa tekoälyltä. Aineisto on paperista " Induction of Decision Trees”, kirjoittanut John Ross Quinlan. Quinlan on tietojenkäsittelytieteilijä, joka osallistui toisen koneoppimisalgoritmin, päätöspuiden, kehittämiseen perustavanlaatuisella tavalla, mutta hänen esimerkkinsä toimii hyvin kaikenlaisten oppimisalgoritmien kanssa. Ongelma edellyttää, että tekoäly arvaa parhaat olosuhteet pelata tennistä sääolosuhteissa. Quinlanin kuvaama ominaisuusjoukko on seuraava:

• Näkymä: Aurinkoinen, pilvinen tai sateinen
• Lämpötila: Viileä, mieto tai kuuma
• Kosteus: Korkea tai normaali
• Tuulinen: Totta vai tarua

Seuraava taulukko sisältää esimerkissä käytetyt tietokantamerkinnät:

Mahdollisuus pelata tennistä riippuu neljästä tässä esitetystä argumentista.

Naiivi Bayesin malli voi jäljittää todisteet oikeaan lopputulokseen.

Tämän tekoälyn oppimisesimerkin tulos on päätös siitä, pelataanko tennistä, ottaen huomioon sääolosuhteet (todisteet). Pelkän näkymän käyttäminen (aurinkoinen, pilvinen tai sateinen) ei riitä, koska lämpötila ja kosteus voivat olla liian korkeita tai tuuli voi olla voimakas. Nämä argumentit edustavat todellisia olosuhteita, joilla on useita syitä tai syitä, jotka liittyvät toisiinsa. Naive Bayes -algoritmi osaa arvata oikein, kun syitä on useita.

Algoritmi laskee pistemäärän, joka perustuu tietyn päätöksen tekemisen todennäköisyyteen ja kerrotaan päätökseen liittyvien todisteiden todennäköisyyksillä. Esimerkiksi määrittääkseen, pelataanko tennistä, kun näkymä on aurinkoinen, mutta tuuli on kova, algoritmi laskee positiivisen vastauksen pisteet kertomalla yleisen pelaamisen todennäköisyyden (9 pelattua peliä 14:stä) todennäköisyydellä aurinkoinen päivä (2/9 pelattua peliä) ja tuuliset olosuhteet pelatessasi tennistä (3/9 pelattua peliä). Samat säännöt pätevät negatiiviseen tapaukseen (jolla on erilaiset todennäköisyydet pelaamatta jättämiselle tietyissä olosuhteissa):

pelaamisen todennäköisyys: 9/14 * 2/9 * 3/9 = 0,05

todennäköisyys, että ei pelaa: 5/14 * 3/5 * 3/5 = 0,13

Koska todennäköisyyspisteet ovat korkeammat, algoritmi päättää, että on turvallisempaa olla pelaamatta tällaisissa olosuhteissa. Se laskee tällaisen todennäköisyyden laskemalla yhteen kaksi pistettä ja jakamalla molemmat pisteet niiden summalla:

pelaamisen todennäköisyys : 0,05 / (0,05 + 0,13) = 0,278

todennäköisyys olla pelaamatta : 0,13 / (0,05 + 0,13) = 0,722

Voit laajentaa Naiivia Bayesiä edustamaan suhteita, jotka ovat monimutkaisempia kuin sarja tekijöitä, jotka vihjaavat tuloksen todennäköisyyteen käyttämällä Bayesin verkkoa, joka koostuu kaavioista, jotka osoittavat, kuinka tapahtumat vaikuttavat toisiinsa. Bayesin kaavioissa on solmuja, jotka edustavat tapahtumia ja kaaria, jotka osoittavat, mitkä tapahtumat vaikuttavat muihin, sekä ehdollisten todennäköisyyksien taulukko, joka näyttää kuinka suhde toimii todennäköisyyksien suhteen. Kuvassa on kuuluisa esimerkki Bayesin verkosta, joka on otettu vuoden 1988 akateemisesta artikkelista Lauritzenin, Steffen L. ja David J. Spiegelhalterin julkaisemasta Journal of:n julkaisemasta paikallislaskelmat todennäköisyyksistä graafisissa rakenteissa ja niiden soveltaminen asiantuntijajärjestelmiin . Royal Statistical Society.

Bayesin verkosto voi tukea lääketieteellistä päätöstä.

Kuvattua verkkoa kutsutaan Aasiaksi. Se näyttää mahdolliset potilaan tilat ja mikä aiheuttaa mitä. Esimerkiksi, jos potilaalla on hengenahdistusta, se voi olla tuberkuloosin, keuhkosyövän tai keuhkoputkentulehduksen seuraus. Tietäminen, polttaako potilas, onko potilas käynyt Aasiassa vai onko hänellä poikkeavia röntgentuloksia (mikä antaa varmuutta tietyille todisteille, a priori Bayesin kielellä), auttaa päättelemään todelliset (takaiset) todennäköisyydet, että hänellä on jokin sairaudesta kaavio.

Vaikka Bayesin verkot ovat intuitiivisia, niiden takana on monimutkainen matematiikka, ja ne ovat tehokkaampia kuin yksinkertainen naiivi Bayes-algoritmi, koska ne jäljittelevät maailmaa todennäköisyyksiin perustuvana syiden ja seurausten sarjana. Bayesin verkot ovat niin tehokkaita, että voit käyttää niitä kuvaamaan mitä tahansa tilannetta. Niillä on erilaisia ​​sovelluksia, kuten lääketieteelliset diagnoosit, useista antureista tulevan epävarman tiedon yhdistäminen, taloudellinen mallinnus ja monimutkaisten järjestelmien, kuten auton, valvonta. Koska esimerkiksi moottoritieliikenteessä ajamiseen voi liittyä monimutkaisia ​​tilanteita monien ajoneuvojen kanssa, Analysis of Massive Data Streams (AMIDST) -konsortio kehitti yhteistyössä autovalmistaja Daimlerin kanssa Bayesin verkoston, joka tunnistaa muiden ajoneuvojen liikkeet ja lisää ajoturvallisuutta. Lue lisää tästä projektistaja nähdä monimutkainen Bayesin verkko .