ベイジアンビリーフネットワークはどのように学習しますか？

ベイジアン分類器は統計的分類器です。特定のサンプルが特定のクラスに属する確率など、クラスメンバーシップの確率を予測できます。ベイジアン分類器は、データベースを高度化できる場合にも、高い効率と速度を示します。

クラスが定義されると、システムは分類を管理するルールを推測する必要があります。したがって、システムは各クラスの説明を見つけることができるはずです。説明は、トレーニングセットの予測属性のみを参照する必要があります。これにより、否定的な例ではなく、肯定的な例のみが説明を満たす必要があります。ルールの説明がすべての肯定的な例をカバーし、クラスの否定的な例のいずれもカバーされていない場合、ルールは正しいと言われます。

すべての属性による寄与は独立しており、それぞれが分類問題に等しく寄与していると想定しています。これは、ナイーブベイズ分類と呼ばれる単純な分類スキームです。各「独立した」属性の寄与を分析することにより、条件付き確率が決定されます。分類は、いくつかの属性が作成される予測に与える影響を結合することによって行われます。

ナイーブベイズ分類は、クラスの条件付き独立を前提としているため、ナイーブと呼ばれます。特定のクラスに対する属性値の影響は、他の属性の値とは無関係です。この仮定は、計算コストを削減するために行われるため、ナイーブとして扱われます。

信念ネットワークの学習またはトレーニングでは、複数のシナリオが可能です。ネットワークトポロジは、事前に指定することも、情報から推測することもできます。ネットワーク変数は、一部のトレーニングタプルで監視可能またはプライベートにすることができます。非表示のデータの方法は、欠測値または不完全な情報として定義されています。

観測可能な変数が与えられたトレーニングレコードからネットワークトポロジを理解するための複数のアルゴリズムが存在します。問題は離散最適化です。人間の専門家は一般に、分析対象のドメインに影響を与える直接的な条件付き依存関係をよく理解しており、ネットワーク設計をサポートします。専門家は、直接依存関係で実行されるノードの条件付き確率を定義する必要があります。

これらの確率は、残りの確率値を評価するために使用できます。ネットワークトポロジが確認され、変数が観察可能である場合、ネットワークのトレーニングは簡単です。これは、単純ベイズ分類に含まれる確率を計算するときに同様に行われるように、CPTエントリを計算することで構成されます。

ネットワークトポロジが指定され、いくつかの変数が非表示になっている場合、信念ネットワークのトレーニングから選択する方法がいくつかあります。最急降下法の有望な方法を定義できます。高度な数値的背景がない人にとって、定義は微積分が詰まった数式でかなり恐ろしいものを見ることができます。