Bayes Ağları (BN'ler) üretken modellerdir. Bir dizi girişiniz, ve çıkışınız olduğunu varsayın . BN'ler , lojistik regresyon ya da koşullu dağılımı modelleyen Destek Vektör Makinesi diyelim aksine , ortak dağıtım öğrenmenize izin verir .Y P ( X , Y ) P ( Y | X )XYP(X,Y)P(Y|X)
Verilerin ortak olasılık dağılımını (üretken model) öğrenmek, koşullu olasılığı (ayrımcı modeller) öğrenmekten daha zordur. Bununla birlikte, birincisi veya vb. Gibi sorguları çalıştırabileceğiniz daha çok yönlü bir model sağlar . Ayrımcı modelde tek amacınız öğrenmektir. .P ( X 1 | X 2 = A , X 3 = B ) P ( Y | X )P(X1|Y)P(X1|X2=A,X3=B)P(Y|X)
BN'ler, ortak dağılımı reçete etmek için DAG'ları kullanır. Dolayısıyla grafiksel modeller.
Avantajları:
Örneğin tıpta çok fazla eksik veriniz olduğunda, BN'ler eklem dağılımının modellenmesi (yani verilerin nasıl üretildiğine dair iddianız) tamamen gözlenen bir veri kümesine bağımlılığınızı azalttığından çok etkili olabilir.
Bir alanı görsel olarak şeffaf olacak şekilde ve aynı zamanda ilişkilerini yakalamayı amaçlayan bir şekilde modellemek istediğinizde , BN'ler çok güçlü olabilir. BN'lerde nedensellik varsayımının tartışmaya açık olduğunu unutmayın.cause→effect
Eklem dağılımını öğrenmek zor bir görevdir, ayrık değişkenler için modellenmesi (koşullu olasılık tablolarının, yani CPT'lerin hesaplanması yoluyla), sürekli değişkenler için aynısını yapmaya çalışmaktan çok daha kolaydır. Dolayısıyla BN'ler, ayrık değişkenlerle pratikte daha yaygındır.
BN'ler sadece (tüm makine öğrenme modellerinin izin verdiği gibi) gözlemsel çıkarımlara değil, aynı zamanda nedensel müdahalelere de izin verir . Bu, BN'lerin yaygın olarak ihmal edilmiş ve takdir edilmemiş bir avantajıdır ve karşı-olgusal akıl yürütmeyle ilgilidir.