Quando utilizzare le reti bayesiane rispetto ad altri approcci di apprendimento automatico?

12

Mi aspetto che non ci possa essere una risposta definitiva a questa domanda. Ma in passato ho usato una serie di algoritmi di machine learning e sto cercando di conoscere le reti bayesiane. Vorrei capire in quali circostanze o per quali tipi di problemi sceglieresti di utilizzare la rete bayesiana rispetto ad altri approcci?

machine-learning bayesian-network

— andyc
fonte

3

Per me le reti bayesiane sono un modo per definire le indipendenze condizionali in un modello. Dopo averlo definito, suppongo che tu possa utilizzare vari strumenti di apprendimento per stimare i parametri del modello. Quindi vedo una chiara separazione tra l'apprendimento dei parametri e il modello. Tuttavia, non sono un esperto in questo, quindi qualcuno può trovare una risposta migliore.

— Luca

7

$X$ $Y$ $P(X,Y)$ $P(Y|X)$

L'apprendimento della distribuzione di probabilità congiunta (modello generativo) dei dati è più difficile dell'apprendimento della probabilità condizionale (modelli discriminativi). Tuttavia, il primo fornisce un modello più versatile in cui è possibile eseguire query come o , ecc. Con il modello discriminante, l'unico obiettivo è imparare . $P(X_1|Y)$ $P(X_1|X_2=A, X_3=B)$ $P(Y|X)$

I BN utilizzano i DAG per prescrivere la distribuzione congiunta. Quindi sono modelli grafici.

vantaggi:

Quando hai molti dati mancanti, ad esempio in medicina, i BN possono essere molto efficaci poiché modellare la distribuzione congiunta (ovvero la tua affermazione su come sono stati generati i dati) riduce la tua dipendenza nell'avere un set di dati pienamente osservato.
$\text{cause} \to \text{effect}$
Imparare la distribuzione congiunta è un compito difficile, modellarlo per variabili discrete (attraverso il calcolo di tabelle di probabilità condizionali, cioè CPT) è sostanzialmente più semplice che provare a fare lo stesso per variabili continue. Quindi i BN sono praticamente più comuni con variabili discrete.
I BN non solo consentono l'inferenza osservativa (come consentono tutti i modelli di apprendimento automatico) ma anche gli interventi causali . Questo è un vantaggio comunemente trascurato e sottovalutato di BN ed è correlato al ragionamento controfattuale.

— Zhubarb
fonte

1

Nel vantaggio 1 in cui si afferma che i BN sono efficaci per la modellazione di dati con molti valori mancanti, questi valori mancanti non influiscono sulla corretta identificazione delle indipendenze nei dati?

— Hossein,

1

P (Y, X_{1}, X_{2})

$P(Y,X_1,X_2)$

X_{1}

$X_1$

X_{2}

$X_2$

1

Nella mia esperienza, le reti bayesiane funzionano molto bene in presenza di dati categorici ad alta dimensione . Offrono modelli interpretabili, che (a volte) aiutano a dare un senso al modo in cui le diverse variabili interagiscono.

— abbronzatura
fonte