bayesian network 예제

 Senast ändrad 2 augusti, 2019 kl 04:36
aug 022019
 

주어진 예에서, 우리는 P를 계산할 수 있습니다 (스프링클러, 습식 잔디 | 흐린) 다음과 같이: 베이지안 네트워크(BN)의 그래프 구조를 자동으로 학습하는 것은 기계 학습 내에서 추구하는 과제입니다. 기본 아이디어는 Rebane및 Pearl[6]에 의해 개발 된 복구 알고리즘으로 돌아가서 3 노드 DAG에서 허용되는 세 가지 가능한 패턴 의 구별에 달려 있습니다 : 큰 네트워크에서 Y는 대부분의 추론 작업이 수행되기 때문에 매우 클 가능성이 높습니다. 변수의 작은 하위 집합만 직접 사용합니다. 이와 같은 경우, 위와 같은 정확한 추론은 매우 계산집약적이므로 계산량을 줄이기 위해 메서드를 사용해야 합니다. 정확한 추론의 한 가지 더 효율적인 방법은 가변 제거를 통해, 각 요소에는 소수의 변수만 포함된다는 사실을 활용합니다. 즉, 특정 변수와 관련된 요소만 해당 변수의 한계에 사용되도록 합계를 재정렬할 수 있습니다. 또는 이 메서드에 대해서도 많은 네트워크가 너무 커서 MCMC와 같은 대략적인 추론 방법이 대신 사용됩니다. 정확한 추론 방법보다 훨씬 적은 계산이 필요한 확률 추정값을 제공합니다. X는 G에 관하여 베이지안 네트워크, 어떤 두 노드 u, v: 중요 하게는 베이지안 네트워크 추론 하는 동안 누락 된 데이터를 처리 (또한 학습), 소리 확률 방식으로. 조인트 확률 함수 Pr(G, S, R) {displaystyle Pr(G, S, R)}에 대한 확장을 사용하고 다이어그램에 명시된 조건부 확률 표(CPTs)의 조건부 확률을 사용하여, 분자의 합계에서 각 용어를 평가할 수 있고, 분모.

예를 들어, Bayes Server에는 자동화된 통찰력을 추출하고 진단을 수행하며 Bayesian 네트워크의 매개 변수를 분석하고 조정하기 위해 강력한 추론 엔진을 사용하는 여러 가지 분석 기술이 포함되어 있습니다. 그림 2 – 아시아 네트워크로 알려진 간단한 베이지안 네트워크입니다. 수천 개의 변수에 대한 문제를 처리하기 위해서는 다른 접근 방식이 필요합니다. 하나는 먼저 하나의 순서를 샘플링한 다음 해당 순서와 관련하여 최적의 BN 구조를 찾는 것입니다. 이는 가능한 주문의 검색 공간에서 작업하는 것을 의미하며, 이는 네트워크 구조의 공간보다 작기 때문에 편리합니다. 그런 다음 여러 순서를 샘플링하고 평가합니다. 이 방법은 변수의 수가 많을 때 문헌에서 가장 잘 사용할 수 있는 것으로 입증되었습니다. [13] 베이지안 네트워크는 방향 비순환 그래프 또는 DAG라고 하는 그래프유형입니다. Dag는 방향 링크가 있는 그래프와 지시된 주기가 없는 그래프입니다.

베이지안 네트워크는 확률 계산에 베이지안 추론을 사용하는 확률형 그래픽 모델의 한 유형입니다. 베이지안 네트워크는 방향 그래프에서 모서리에 의한 조건부 의존성을 나타내어 조건부 의존성 및 인과 관계를 모델링하는 것을 목표로 합니다. 이러한 관계를 통해 요인을 사용하여 그래프의 임의 변수에 대한 추론을 효율적으로 수행할 수 있습니다. 거의 동시에, Roth는 Bayesian 네트워크의 정확한 추론이 사실상 #P 완료되었음을 입증했습니다 (따라서 결막 정상 양식 공식 (CNF)의 만족스러운 할당 수를 계산하는 것만큼 어렵고 요인 2n1-에 대한 대략적인 추론을 계산합니다. 제한된 아키텍처를 가진 베이지안 네트워크의 경우에도 모든 경우 0은 NP 하드입니다. [23] [24] 베이지안 네트워크는 세 가지 주요 추론 작업을 수행: 1990 년, 큰 생물 정보 응용 프로그램에 스탠포드 대학에서 일하는 동안, 쿠퍼는 베이지안 네트워크에서 정확한 추론은 NP 하드 것을 증명했다. [21] 이 결과는 확률적 추론에 대한 견인 근사치를 개발하는 것을 목표로 근사 알고리즘에 대한 연구를 촉발시켰다.

Tyvärr, det är nu stängt för kommentarer här.

© 2011 Radiostyrd Bilsport Suffusion theme by Sayontan Sinha