Sjáðu fyrir þér heiminn sem línurit með Bayes setningu

Setning Bayes getur hjálpað þér að álykta hversu líklegt er að eitthvað gerist í ákveðnu samhengi, byggt á almennum líkum á staðreyndinni sjálfri og sönnunargögnunum sem þú skoðar, og ásamt líkum sönnunargagna miðað við staðreyndina. Sjaldan mun eitt einasta sönnunargagn draga úr efasemdum og veita næga vissu í spá til að tryggja að það gerist. Sem sannur leynilögreglumaður, til að ná vissu, verður þú að safna fleiri sönnunargögnum og láta einstaka verk vinna saman í rannsókn þinni. Að taka eftir því að einstaklingur er með sítt hár er ekki nóg til að ákvarða hvort viðkomandi er kvenkyns eða karlkyns. Að bæta við gögnum um hæð og þyngd gæti hjálpað til við að auka sjálfstraust.

Naíve Bayes reikniritið hjálpar þér að raða öllum sönnunargögnum sem þú safnar og ná traustari spá með meiri líkur á að vera rétt. Söfnuð sönnunargögn sem talin eru einstök gætu ekki bjargað þér frá hættu á að spá rangt fyrir, en öll sönnunargögn sem tekin eru saman geta náð endanlegri niðurstöðu. Eftirfarandi dæmi sýnir hvernig hlutirnir virka í Naïve Bayes flokkun. Þetta er gamalt, frægt vandamál, en það táknar þá getu sem þú getur búist við frá gervigreind. Gagnapakkinn er úr greininni „ Induction of Decision Trees“ eftir John Ross Quinlan. Quinlan er tölvunarfræðingur sem lagði sitt af mörkum til þróunar annars vélanámsreiknirits, ákvörðunartrjáa, með grundvallaratriðum, en dæmi hans virkar vel með hvers kyns námsalgrími. Vandamálið krefst þess að gervigreindin giska á bestu aðstæður til að spila tennis miðað við veðurskilyrði. Eiginleikasettið sem Quinlan lýsir er sem hér segir:

• Horfur: Sól, skýjað eða rigning
• Hitastig: Kalt, milt eða heitt
• Raki: Mikill eða eðlilegur
• Vindur: Rétt eða ósatt

Eftirfarandi tafla inniheldur gagnagrunnsfærslurnar sem notaðar eru fyrir dæmið:

Möguleikinn á að spila tennis fer eftir þessum fjórum rökum sem sýndar eru hér.

Naívt Bayes líkan getur leitt sönnunargögn til réttrar niðurstöðu.

Niðurstaðan af þessu AI lærdómsdæmi er ákvörðun um hvort spila tennis, miðað við veðurskilyrði (sönnunargögnin). Það er ekki nóg að nota bara útlitið (sólríkt, skýjað eða rigning) vegna þess að hitastig og raki gæti verið of hátt eða vindur gæti verið sterkur. Þessi rök tákna raunverulegar aðstæður sem hafa margar orsakir, eða orsakir sem eru samtengdar. Naíve Bayes reikniritið er fært í að giska á rétt þegar margar orsakir eru til staðar.

Reikniritið reiknar stig, byggt á líkum á að taka ákveðna ákvörðun og margfaldað með líkum á sönnunargögnum sem tengjast þeirri ákvörðun. Til dæmis, til að ákvarða hvort spila eigi tennis þegar útlitið er sólskin en vindurinn er sterkur, reiknar reikniritið út einkunnina fyrir jákvætt svar með því að margfalda almennar líkur á að spila (9 leiknir leiki af 14 viðburðum) með líkunum á sólríkur dagurinn (2 af 9 spiluðu leiki) og vindasamt þegar spilað er tennis (3 af 9 spiluðu leiki). Sömu reglur gilda um neikvæða tilvikið (sem hefur mismunandi líkur á að spila ekki að ákveðnum skilyrðum uppfylltum):

líkur á að spila: 9/14 * 2/9 * 3/9 = 0,05

Líkur á að spila ekki: 5/14 * 3/5 * 3/5 = 0,13

Vegna þess að stigin fyrir líkurnar eru hærri, ákveður reikniritið að það sé öruggara að spila ekki við slíkar aðstæður. Það reiknar út slíkar líkur með því að leggja saman stigin tvö og deila báðum stigunum með summu þeirra:

líkur á að spila: 0,05 / (0,05 + 0,13) = 0,278

líkur á að spila ekki: 0,13 / (0,05 + 0,13) = 0,722

Þú getur enn frekar útvíkkað Naíve Bayes til að tákna sambönd sem eru flóknari en röð af þáttum sem gefa til kynna líkur á niðurstöðu með því að nota Bayesian net, sem samanstendur af línuritum sem sýna hvernig atburðir hafa áhrif hver á annan. Bayesísk línurit hafa hnúta sem tákna atburðina og boga sem sýna hvaða atburðir hafa áhrif á aðra, ásamt töflu yfir skilyrtar líkur sem sýna hvernig sambandið virkar með tilliti til líkinda. Myndin sýnir frægt dæmi um Bayesískt net sem tekið er úr fræðilegri grein frá 1988, „ Staðbundnar útreikningar með líkindum á grafískum byggingum og beitingu þeirra á sérfræðikerfi ,“ eftir Lauritzen, Steffen L. og David J. Spiegelhalter, gefið út af Journal of hinu konunglega hagstofufélagi.

Bayesískt net getur stutt læknisfræðilega ákvörðun.

Netið sem sýnt er er kallað Asía. Það sýnir hugsanlegar aðstæður sjúklinga og hvað veldur hverju. Til dæmis, ef sjúklingur er með mæði, gæti það verið áhrif berkla, lungnakrabbameins eða berkjubólgu. Að vita hvort sjúklingurinn reykir, hefur verið í Asíu eða hefur afbrigðilegar niðurstöður úr röntgenmyndatöku (þannig gefur tilteknum sönnunargögnum vissu, a priori á Bayesísku tungumáli) hjálpar til við að álykta um raunverulegar (aftari) líkur á að hafa einhverja meinafræði í línurit.

Bayesísk net, þó að þau séu leiðandi, hafa flókna stærðfræði á bak við sig og þau eru öflugri en einfalt Naíve Bayes reiknirit vegna þess að þau líkja eftir heiminum sem röð af orsökum og afleiðingum byggðar á líkum. Bayesísk net eru svo áhrifarík að þú getur notað þau til að tákna hvaða aðstæður sem er. Þeir hafa fjölbreytt forrit, svo sem læknisfræðilegar greiningar, samruna óvissra gagna sem koma frá mörgum skynjurum, hagkvæmrar líkanagerðar og eftirlit með flóknum kerfum eins og bíl. Til dæmis, vegna þess að akstur á þjóðvegaumferð getur falið í sér flóknar aðstæður með mörgum ökutækjum, þróaði Analysis of MassIve Data STreams (AMIDST) hópurinn, í samvinnu við bílaframleiðandann Daimler, Bayesian net sem getur þekkt hreyfingar annarra farartækja og aukið öryggi í akstri. Lestu meira um þetta verkefniog sjá flókið Bayesian net .