ベイジアンビリーフネットワークとは何ですか？

単純ベイズ分類器は、クラスの条件付き独立性を前提としています。つまり、タプルのクラスラベルが与えられると、属性の値は条件付きで互いに独立していると見なされます。これにより、計算が簡素化されます。

したがって、仮定が真に影響を与える場合、単純ベイズ分類器は複数の分類器と比較して効率的です。ベイジアンビリーフネットワークは、共同の条件付き確率分布を定義します。

これらにより、クラスの条件付き独立性を変数のサブセット間で表すことができます。それらは、学習を実装できる因果関係のグラフィカル構造をサポートします。訓練されたベイジアン信念ネットワークが分類に使用されます。ベイジアン信念ネットワークは、信念ネットワーク、ベイジアンネットワーク、確率的ネットワークとも呼ばれます。

信念ネットワークは、有向非巡回グラフと条件付き確率テーブルのグループを含む2つのコンポーネントで表されます。有向非巡回グラフのすべてのノードは、確率変数を定義します。変数は、離散値または連続値にすることができます。

それらは、情報で与えられた特定の属性、または関係を形成すると考えられる「隠れた変数」に対応することができます（たとえば、医療記録の場合、隠れた変数は症候群を示し、一緒になって、明確な病気）。

各アークは確率的依存関係を定義します。アークがノードYからノードZに描画される場合、したがってYはZの親または瞬間的な先行であり、ZはYの子孫です。すべての変数は、その親が与えられた場合、グラフ内の非子孫から条件付きで自律します。 。

信念ネットワークには、変数ごとに1つの条件付き確率テーブル（CPT）があります。変数YのCPTは、条件付き分布P（Y | Parents（Y））を定義します。ここで、Parents（Y）はYの親です。

ネットワーク内のノードは、クラスラベル属性を定義する「出力」ノードとして選択できます。複数の出力ノードが存在する可能性があります。ネットワークに使用できる推論と学習のためのいくつかのアルゴリズムがあります。単一のクラスラベルを返す代わりに、分類手順はすべてのクラスの確率を提供する確率分布を返すことができます。

信念ネットワークは、いくつかのよく知られた問題をモデル化するために使用できます。一例は、染色体への遺伝子のマッピングなどの遺伝連鎖分析です。ベイジアンネットワークでの推論方法に遺伝子連鎖の問題を投げかけ、最先端のアルゴリズムを利用することで、分析のスケーラビリティが大幅に向上しました。

コンピュータービジョン、画像復元とステレオビジョン、ファイルとテキストの分析、意思決定支援システム、感度分析など、信念ネットワークの必要性から恩恵を受けたアプリケーションがいくつかあります。いくつかのアプリケーションをベイジアンネットワーク推論に還元できるコンテンツは、アプリケーションごとに特殊なアルゴリズムを作成するために必要なものを削減するという点で有益です。