Замислите свет као граф са Бајесовом теоремом

Бајесова теорема вам може помоћи да закључите колика је вероватноћа да ће се нешто догодити у одређеном контексту, на основу општих вероватноћа саме чињенице и доказа које испитујете, и у комбинацији са вероватноћом доказа с обзиром на чињеницу. Ретко ће само један доказ умањити сумње и пружити довољно сигурности у предвиђању да би се осигурало да ће се то догодити. Као прави детектив, да бисте постигли сигурност, морате прикупити више доказа и учинити да појединачни делови раде заједно у вашој истрази. Приметити да особа има дугу косу није довољно да се утврди да ли је особа женско или мушко. Додавање података о висини и тежини може помоћи у повећању самопоуздања.

Наивни Бајес алгоритам вам помаже да уредите све доказе које прикупите и постигнете чвршће предвиђање са већом вероватноћом да буде тачно. Прикупљени докази који се посматрају појединачно не би могли да вас спасу од ризика од погрешног предвиђања, али сви докази заједно могу донети дефинитивније решење. Следећи пример показује како ствари функционишу у наивној Бајес класификацији. Ово је стари, познати проблем, али представља врсту способности коју можете очекивати од АИ. Скуп података је из рада „ Индукција стабала одлучивања”, од Џона Роса Квинлана. Квинлан је компјутерски научник који је на фундаменталан начин допринео развоју другог алгоритма машинског учења, стабла одлучивања, али његов пример добро функционише са било којом врстом алгоритма учења. Проблем захтева да АИ погоди најбоље услове за играње тениса с обзиром на временске услове. Скуп карактеристика које је Квинлан описао је следећи:

• Прогноза: Сунчано, облачно или кишовито
• Температура: Хладно, благо или вруће
• Влажност: висока или нормална
• Ветро: Тачно или нетачно

Следећа табела садржи уносе базе података који се користе за пример:

Могућност играња тениса зависи од четири овде приказана аргумента.

Наивни Бајесов модел може вратити доказе до правог исхода.

Резултат овог примера учења АИ је одлука да ли да играте тенис, с обзиром на временске услове (докази). Коришћење само изгледа (сунчано, облачно или кишовито) неће бити довољно, јер температура и влажност могу бити превисоке или ветар може бити јак. Ови аргументи представљају стварне услове који имају више узрока, или узроке који су међусобно повезани. Наивни Бајес алгоритам је вешт да тачно погађа када постоји више узрока.

Алгоритам израчунава резултат, заснован на вероватноћи доношења одређене одлуке и помножен са вероватноћом доказа повезаних са том одлуком. На пример, да би се утврдило да ли да се игра тенис када је изглед сунчан, али је ветар јак, алгоритам израчунава резултат за позитиван одговор множењем опште вероватноће играња (9 одиграних гемова од 14 догађаја) са вероватноћом да је дан сунчан (2 од 9 одиграних утакмица) и да има ветровитих услова када се игра тенис (3 од 9 одиграних утакмица). Иста правила важе за негативан случај (који има различите вероватноће да не игра под одређеним условима):

вероватноћа играња: 9/14 * 2/9 * 3/9 = 0,05

вероватноћа неиграња: 5/14 * 3/5 * 3/5 = 0,13

Пошто је резултат за вероватноћу већи, алгоритам одлучује да је сигурније не играти под таквим условима. Он израчунава такву вероватноћу сабирањем два резултата и дељењем оба резултата њиховим збиром:

вероватноћа играња : 0,05 / (0,05 + 0,13) = 0,278

вероватноћа неиграња : 0,13 / (0,05 + 0,13) = 0,722

Можете даље проширити Наивни Бајес тако да представља односе који су сложенији од низа фактора који наговештавају вероватноћу исхода користећи Бајесову мрежу, која се састоји од графикона који показују како догађаји утичу једни на друге. Бајесови графови имају чворове који представљају догађаје и лукове који показују који догађаји утичу на друге, праћене табелом условних вероватноћа која показује како однос функционише у смислу вероватноће. На слици је приказан чувени пример Бајесове мреже преузет из академског рада из 1988. „ Локална израчунавања са вероватноћама на графичким структурама и њихова примена на експертске системе “, аутора Лауритзена, Стеффена Л. и Давида Ј. Спиегелхалтера, који је објавио Јоурнал оф Краљевско статистичко друштво.

Бајесова мрежа може подржати медицинску одлуку.

Приказана мрежа се зове Азија. Показује могућа стања пацијената и шта узрокује шта. На пример, ако пацијент има диспнеју, то може бити последица туберкулозе, рака плућа или бронхитиса. Сазнање да ли пацијент пуши, да ли је био у Азији или има аномалне резултате рендгенског снимка (дајући тиме сигурност одређеним доказима, а приори на Бајесовском језику) помаже да се закључи стварна (постериорна) вероватноћа да има било коју од патологија у граф.

Бајесове мреже, иако интуитивне, иза себе имају сложену математику и моћније су од једноставног наивног Бајесовог алгоритма јер опонашају свет као низ узрока и последица заснованих на вероватноћи. Бајесове мреже су толико ефикасне да их можете користити за представљање било које ситуације. Имају различите примене, као што су медицинске дијагнозе, спајање несигурних података који пристижу од више сензора, економско моделирање и праћење сложених система као што је аутомобил. На пример, пошто вожња у саобраћају на аутопуту може укључивати сложене ситуације са многим возилима, конзорцијум за анализу масивних података СТРеамс (АМИДСТ), у сарадњи са произвођачем аутомобила Даимлер, осмислио је Бајесову мрежу која може препознати маневре других возила и повећати безбедност вожње. Прочитајте више о овом пројектуи види сложену Бајесову мрежу .