Įsivaizduokite pasaulį kaip grafiką su Bayes teorema

Bayes'o teorema gali padėti jums nuspręsti, kokia tikimybė, kad kažkas įvyks tam tikrame kontekste, remiantis bendromis paties fakto tikimybėmis ir jūsų tiriamais įrodymais bei kartu su įrodymų tikimybe, atsižvelgiant į faktą. Retai kada nors vienas įrodymas sumažins abejones ir suteiks pakankamai tikrumo prognozuojant, kad tai įvyks. Kaip tikras detektyvas, kad pasiektumėte tikrumą, turite surinkti daugiau įrodymų ir atskirus kūrinius suderinti atliekant tyrimą. Nepakanka pastebėti, kad žmogus turi ilgus plaukus, kad būtų galima nustatyti, ar asmuo yra moteris, ar vyras. Duomenų apie ūgį ir svorį pridėjimas gali padėti padidinti pasitikėjimą savimi.

Naive Bayes algoritmas padeda sutvarkyti visus surinktus įrodymus ir pasiekti patikimesnę prognozę su didesne tikimybe, kad jos bus teisingos. Surinkti įrodymai, laikomi atskirai, negalėjo išgelbėti jus nuo rizikos, kad prognozės bus neteisingos, tačiau visi įrodymai kartu gali pasiekti tikslesnį sprendimą. Šis pavyzdys parodo, kaip viskas veikia Naive Bayes klasifikacijoje. Tai sena, žinoma problema, tačiau ji atspindi tokias galimybes, kurių galite tikėtis iš AI. Duomenų rinkinys yra iš popieriaus „ Sprendimų medžių indukcija“, autorius Johnas Rossas Quinlanas. Quinlanas yra kompiuterių mokslininkas, kuris iš esmės prisidėjo prie kito mašininio mokymosi algoritmo – sprendimų medžių – kūrimo, tačiau jo pavyzdys puikiai tinka bet kokiam mokymosi algoritmui. Problema reikalauja, kad dirbtinis intelektas atspėtų geriausias sąlygas žaisti tenisą atsižvelgiant į oro sąlygas. Quinlan aprašytų funkcijų rinkinys yra toks:

• Perspektyva: saulėta, debesuota arba lietinga
• Temperatūra: šalta, švelni arba karšta
• Drėgmė: aukšta arba normali
• Vėjuotas: tiesa ar klaidinga

Šioje lentelėje yra duomenų bazės įrašai, naudojami pavyzdyje:

Pasirinkimas žaisti tenisą priklauso nuo keturių čia pateiktų argumentų.

Naivus Bayes modelis gali atsekti įrodymus iki teisingo rezultato.

Šio AI mokymosi pavyzdžio rezultatas yra sprendimas, ar žaisti tenisą, atsižvelgiant į oro sąlygas (įrodymus). Naudoti tik perspektyvą (saulėtą, apsiniaukusį ar lietingą) nepakaks, nes temperatūra ir drėgmė gali būti per aukšta arba vėjas gali būti stiprus. Šie argumentai atspindi realias sąlygas, turinčias kelias priežastis arba priežastis, kurios yra tarpusavyje susijusios. Naive Bayes algoritmas įgudęs teisingai atspėti, kai yra kelios priežastys.

Algoritmas apskaičiuoja balą, pagrįstą tikimybe priimti konkretų sprendimą ir padaugintą iš su tuo sprendimu susijusių įrodymų tikimybių. Pavyzdžiui, norint nustatyti, ar žaisti tenisą, kai saulėta, bet pučia stiprus vėjas, algoritmas apskaičiuoja teigiamo atsakymo rezultatą, padaugindamas bendrą žaidimo tikimybę (9 sužaisti žaidimai iš 14 atvejų) iš tikimybės diena saulėta (2 žaidimai iš 9) ir vėjuotos sąlygos žaidžiant tenisą (3 žaidimai iš 9). Tos pačios taisyklės taikomos neigiamam atvejui (kuris turi skirtingą tikimybę nežaisti tam tikromis sąlygomis):

tikimybė žaisti: 9/14 * 2/9 * 3/9 = 0,05

tikimybė nežaisti: 5/14 * 3/5 * 3/5 = 0,13

Kadangi tikimybės balas yra didesnis, algoritmas nusprendžia, kad tokiomis sąlygomis saugiau nežaisti. Ji apskaičiuoja tokią tikimybę susumavus du balus ir padalijus abu balus iš jų sumos:

tikimybė sužaisti : 0,05 / (0,05 + 0,13) = 0,278

tikimybė nežaisti : 0,13 / (0,05 + 0,13) = 0,722

Galite toliau išplėsti „Naive Bayes“, kad pavaizduotų ryšius, kurie yra sudėtingesni už daugybę veiksnių, kurie rodo rezultato tikimybę, naudojant Bajeso tinklą, kurį sudaro grafikai, rodantys, kaip įvykiai veikia vienas kitą. Bajeso grafikai turi mazgus, vaizduojančius įvykius ir lankus, rodančius, kurie įvykiai paveikia kitus, kartu su sąlyginių tikimybių lentele, rodančia, kaip ryšys veikia tikimybių požiūriu. Paveikslėlyje parodytas garsus Bajeso tinklo pavyzdys, paimtas iš 1988 m. akademinio darbo „ Vietiniai skaičiavimai su tikimybėmis grafinėse struktūrose ir jų taikymas ekspertų sistemoms “, kurį paskelbė Lauritzen, Steffen L. ir David J. Spiegelhalter . Karališkoji statistikos draugija.

Bajeso tinklas gali paremti medicininį sprendimą.

Pavaizduotas tinklas vadinamas Azija. Tai rodo galimą paciento būklę ir tai, kas ką sukelia. Pavyzdžiui, jei pacientas turi dusulį, tai gali būti tuberkuliozės, plaučių vėžio ar bronchito pasekmė. Žinojimas, ar pacientas rūko, buvo Azijoje, ar jo rentgeno tyrimo rezultatai yra nenormalūs (tai suteikia tikrumo tam tikriems įrodymams, a priori Bajeso kalba), leidžia daryti išvadą apie tikrąją (užpakalinę) tikimybę turėti bet kurią iš patologijų grafiką.

Bajeso tinklai, nors ir intuityvūs, turi sudėtingą matematiką, ir jie yra galingesni už paprastą Naivo Bayeso algoritmą, nes imituoja pasaulį kaip priežasčių ir pasekmių seką, pagrįstą tikimybe. Bajeso tinklai yra tokie veiksmingi, kad jais galite pavaizduoti bet kokią situaciją. Jie turi įvairių pritaikymų, tokių kaip medicininės diagnozės, neapibrėžtų duomenų, gaunamų iš kelių jutiklių, sujungimas, ekonominis modeliavimas ir sudėtingų sistemų, tokių kaip automobilis, stebėjimas. Pavyzdžiui, kadangi vairavimas greitkelių eisme gali būti susijęs su sudėtingomis situacijomis su daugeliu transporto priemonių, Analysis of MassIve Data Streams (AMIDST) konsorciumas, bendradarbiaudamas su automobilių gamintoju Daimler, sukūrė Bajeso tinklą, galintį atpažinti kitų transporto priemonių manevrus ir padidinti vairavimo saugumą. Skaitykite daugiau apie šį projektąir pamatyti sudėtingą Bajeso tinklą .