«Это 16-й день моего участия в ноябрьском испытании обновлений. Подробную информацию об этом событии см.:Вызов последнего обновления 2021 г."
Введение
В первых трех главах подробно представлена структура байесовской сети, а также подробно представлено изучение байесовской структуры и изучение параметров, чтобы мы могли четко знать, какие аспекты байесовского обучения следует выполнять. быстрее и проще. Сегодня в основном Познакомить с ветвями Байеса, Статического Байеса и Динамического Байеса.
Статический байесовский
При изучении и применении БН не учитывается влияние факторов времени на системы и данные.
Есть некоторые тонкие различия между байесовскими сетями и статическими байесовскими сетями:
- Предположения:
Байесовская сеть: каждая переменная дискретна; каждый признак имеет отношение зависимости (неопределенный причинно-следственный вывод) (нерелевантность переменной); каждый узел не зависит от всех своих косвенных условий после того, как сформулировано значение его предшествующего узла. предположение, что каждая переменная независима.
Статический Байес: Каждая функция независима друг от друга; в статическом Байесе проблема того, что некоторые значения условной вероятности не существуют, обычно решается путем добавления единицы ко всем значениям вероятности, а влияние на объясняемые переменные является последовательным, а переменное выбор не может быть выполнен.
- Должен ли случай:
Байесовская сеть: в случае неполной информации связь между соседними словами и синонимами решается, когда классификация текста решается путем вывода ненаблюдаемых случайных величин через наблюдаемые случайные величины.
Статический байесовский анализ: классификация
- недостаток:
Байесовские сети: переменные не могут быть подвергнуты скринингу, потому что нельзя ослабить допущение о постоянном влиянии на объясняемые переменные.
Статический Байес: установление статического Байеса между функциями, которые не являются независимыми друг от друга, увеличивает сложность модели.
- преимущество:
Байесовская сеть: сочетание байесовского принципа и теории графов создает математическую модель, основанную на вероятностных рассуждениях, которая имеет сильные преимущества для решения сложных проблем неопределенности и корреляции; она не чувствительна к отсутствующим данным и может изучать причинно-следственные связи и углублять ваше понимание ваших данные. Может включать предварительные знания в моделирование; позволяет избежать проблем с переоснащением и не требует хранения данных для тестирования.
Статический байесовский метод: Простой, для данного элемента, подлежащего классификации, будет выбран тип с наибольшей условной вероятностью, что является идеологической основой статического байесовского метода.
Динамический Байес
Bayesian Network, также известная как причинные вероятностные сети, теория графика и теория вероятностей, является продуктом комбинации. Он имеет большие знания рассуждений, преимуществами интуитивных навыков, четкой топологии и удобства механизма принятия решений, главным образом для добычи данных для добычи данных по неопределенности.
Статический байесовский метод объединяется с временными рядами для формирования динамического байесовского алгоритма (ДБН). DBN — это новая стохастическая модель с возможностью работы с данными временных рядов, которая полностью учитывает влияние временных факторов при изучении проблем неопределенности. По сравнению с сетью BN, DBN имеет преимущества в решении проблем нелинейной неопределенности временных рядов. Однако из-за сложности динамических байесовских сетей экспертные знания и алгоритмы обучения структуры BN не подходят для DBN.
сообщение
В этой главе только представлена разница между статической байесовской и динамической байесовской и байесовской сетью, чтобы мы могли лучше различать, что является статическим байесовским, а что динамическим байесовским, и позволить нам самим выбирать, как применять эти две сети для решения практических задач в обучении и работе. . В следующей главе представлены некоторые перспективы применения байесовских сетей.