WykÅad 3: Sieci Bayesa
WykÅad 3: Sieci Bayesa WykÅad 3: Sieci Bayesa
Wadą tej metody jest fakt, że wymaga ona znajomości dokładnych wartości lub rozkładów prawdopodobieństw pojawienia się parametrów zjawiska, czyli problemu będącego przedmiotem rozważań. Innym problemem jest to, że należy dokonać pewnych nierealistycznych założeń – na przykład w klasyfikacji bayesowskiej wymagane wyniki, np. rozpoznawania, musza się wzajemnie wykluczać. Niestety w wielu przypadkach mogą występować liczne podobne wyniki (np. w diagnostyce: pacjent może mieć wiele chorób). Innym założeniem, co prawda niewymaganym przez twierdzenie Bayesa, ale wymuszonym przez praktykę, jest statystyczna niezależność cechy problemu .
Koncepcja sieci Bayesa wynika wprost z koncepcji prawdopodobieństwa warunkowego. Jak się okazuje w rzeczywistym świecie jest wiele sytuacji w których wystąpienie jakiegoś zdarzenia ściśle zależy od innego zdarzenia. Zastosowanie sieci Bayesa pozwala na uniknięcie obliczeń o dużej złożoności – obliczenie jednego prawdopodobieństwa a posteriori łączy się z uprzednim obliczeniem wykorzystywanych prawdopodobieństw. Sieci Bayesa służą do przedstawiania niepewności wiedzy. Niepewność wiedzy używanej zawartej w systemach ekspertowych może mieć wiele czynników: niepewność ekspertów dotycząca ich wiedzy niepewność tkwiąca w modelowanej dziedzinie niepewność inżyniera próbującego przetłumaczyć wiedzę niepewność wynikła z dokładności dostępnej wiedzy
- Page 1 and 2: Agnieszka Nowak - Brzezińska
- Page 3 and 4: Każdy obiekt traktowany jest jako
- Page 5: Klasyfikacja bayesowska, to metoda
- Page 9: Wejście: • Rozważana populacja
- Page 12 and 13: Ze zbioru treningowego obliczamy: P
- Page 14 and 15: Thomas Bayes (ur. ok. 1702 w Londyn
- Page 16: Jeśli A i B są prostymi zdarzenia
- Page 19 and 20: Siecią Bayesa nazywamy skierowany
- Page 21 and 22: Pod pojęciem sieci Bayesowskiej ro
- Page 23 and 24: Rozkład prawdopodobieństw zapisuj
- Page 25 and 26: zdefiniowanie zmiennych, zdefiniowa
- Page 27 and 28: Przykład: jakie są szanse zdania
- Page 29 and 30: P(A) 0.20 P(D) 0.30 P(N) 0.20 A D P
- Page 31 and 32: Reguła łańcuchowa: z def. P(X 1
- Page 33 and 34: Prawdopodobieństwo Zaliczenia 74%
- Page 35 and 36: Jeśli się przygotowaliśmy, to ja
- Page 37 and 38: Dodajemy wierzchołki decyzyjne (Po
- Page 39 and 40: A - pogoda (słonecznie/pochmurno/d
- Page 41 and 42: A a1 0.25 a2 0.25 a3 0.25 a4 0.25 P
- Page 43 and 44: A a1 0.25 a2 0.25 a3 0.25 a4 0.25 P
- Page 45 and 46: Jakie są szanse zdania ustnego egz
- Page 47 and 48: Jak prawdopodobne jest zdanie egzam
- Page 55 and 56: SMILE Zestaw klas C++ implementują
Koncepcja sieci <strong>Bayesa</strong> wynika wprost z koncepcji<br />
prawdopodobieństwa warunkowego.<br />
Jak się okazuje w rzeczywistym świecie jest wiele sytuacji w których<br />
wystąpienie jakiegoś zdarzenia ściśle zależy od innego zdarzenia.<br />
Zastosowanie sieci <strong>Bayesa</strong><br />
pozwala na uniknięcie obliczeń o dużej złożoności – obliczenie<br />
jednego prawdopodobieństwa a posteriori łączy się z uprzednim<br />
obliczeniem wykorzystywanych prawdopodobieństw.<br />
<strong>Sieci</strong> <strong>Bayesa</strong> służą do przedstawiania niepewności wiedzy.<br />
Niepewność wiedzy używanej zawartej w systemach ekspertowych<br />
może mieć wiele czynników:<br />
<br />
<br />
<br />
<br />
niepewność ekspertów dotycząca ich wiedzy<br />
niepewność tkwiąca w modelowanej dziedzinie<br />
niepewność inżyniera próbującego przetłumaczyć wiedzę<br />
niepewność wynikła z dokładności dostępnej wiedzy
Change language