Bayes ağı, sinir ağı, karar ağacı ve Petri ağları arasındaki fark


30

Yapay sinir ağı , Bayes ağı , karar ağacı ve Petri ağları arasındaki fark , hepsi grafiksel modeller olmasına rağmen görsel olarak sebep-sonuç ilişkisini gösteriyor.


1
Ayrıca , sadece görebildiğim kadarıyla, Bayesian parametrelerinin tedavisi ile temelde sadece bir sinir ağı olan Bayesian Sinir Ağları'nın (sadece kafa karıştırıcı) olduğuna dikkat edin.
naught101

Yanıtlar:


27

Vay, ne kadar büyük bir soru! Cevabın kısa versiyonu, şematik olarak benzer görsel gösterimleri kullanarak iki modeli temsil edebileceğiniz için, yapısal, işlevsel veya felsefi olarak uzaktan bile ilişkili oldukları anlamına gelmez. FCM veya NF'ye aşina değilim, fakat diğerleriyle biraz konuşabilirim.

Bayesian Ağı

Bir Bayesian ağında, grafik modeldeki farklı değişkenlerin koşullu bağımlılıklarını temsil eder. Her düğüm bir değişkeni temsil eder ve yönlendirilen her kenar koşullu bir ilişkiyi temsil eder. Temel olarak, grafik model zincir kuralının bir görselleştirmesidir.

Sinir ağı

Bir sinir ağında, her bir düğüm simüle edilmiş bir "nöron" dur. Nöron esasen açık veya kapalıdır ve aktivasyonu, ağın önceki "katmanındaki" her çıktının değerlerinin doğrusal bir kombinasyonu ile belirlenir.

Karar ağacı

Diyelim ki sınıflandırma için bir karar ağacı kullanıyoruz. Ağaç aslında bize bir gözlemi nasıl sınıflandırmamız gerektiğini açıklayan bir akış şeması sunar. Ağacın kökünden başlıyoruz ve bittiğimiz yaprak tahmin ettiğimiz sınıflandırmayı belirliyor.

Gördüğünüz gibi, bu üç model aslında kutular ve oklarla gösterilebilmenin yanı sıra birbirleriyle hiçbir ilgisi yok.


1
Teori bir yana, Karar ağacı da verileri tükürerek değişkenler arasındaki bağımlılıkları ele almıyor mu? Makine öğrenimi alanında yeniyim ve hangi senaryoda hangi algo kullanmak gerektiğini sezgisel olarak anlamakla daha fazla ilgileniyorum. Bana göre, değişkenler arasındaki tam ilişkiyi bildiğiniz zaman Bayesian ağını kullanacaksınız, oysaki bazı değişkenlerin diğerlerine bağımlı olabileceğini tahmin ederken Karar ağacını kullanacaksınız ancak hangilerini tam olarak bilmeyeceksiniz. Bunun doğru görünüp görünmediğini veya Bayesian ağının ve karar ağaçlarının uygulanabilirliğinin daha ayrıntılı bir şekilde açıklanıp açıklanmayacağını bilmek isteriz.
Deepak Agarwal

“Bu üç modelin aslında birbirleriyle hiçbir ilgisi yok” diyerek cevabın daha büyük resmi çizerken hem farklılıklara hem de benzerliklere işaret etmesi gerektiğini düşünüyorum. Karar Ağacı ve Yapay Sinir Ağları, BN'nin üretici yaklaşımına kıyasla aynı ayrımcı yaklaşımı benimsiyor. Diğer ikisi işlevleri temsil ederken, Bayesian Networks genelleştirilmiş işlevleri temsil eder (dağıtımları), ...
Lejafar

1
Burada yaptığınız aşağılayıcı ve üretici ayrımcılık yanlıştır. Yapay sinir ağları üretken modeller oluşturmak için kullanılabilir. Örneğin GAN'ları düşünün. Cevabım yeterli, çünkü soru “bu modeller görsel olarak benzer bir şekilde temsil ediliyor, bu onların yapısal olarak benzer oldukları anlamına mı geliyor?” ve bu grafiksel gösterimlerin nasıl çok farklı bilgileri kodladığını açıkladım.
David Marx,

1
Kendi cevabınızı eklemek için çekinmeyin.
David Marx,

2
@Lejafar, başkasının cevabının içeriğini değiştirmek için düzenlemeleri kullanmayın. Bir cevaba katılmıyorsanız, bir yorum bırakın, oy verin veya kendi cevabınızı gönderin.
dediklerinin - Eski Monica

5

Bayesian Ağları grafik modellere yönelikken, Lojistik Regresyon'un Yönlendirilmemiş Rasgele Alanların sınırlı bir versiyonunu göstermesi kolaydır (bkz. Daphne Koller'ın kursu ). Ardından, Lojistik Regresyon tek bir kat algılayıcı olarak da görülebilir. Bayesian Ağları ve Sinir Ağları arasında çizilebileceğini düşündüğüm tek bağlantı budur (çok gevşek).

Henüz sorduğun diğer kavramlar arasında bir bağlantı bulamadım.


2
Sitemize Hoşgeldiniz ve bu katkı için teşekkür ederiz. Bunu görmenin ne kadar kolay olduğunu anlatabilir misin? Şu anda, bu sadece insanlar için açık olmayabilir bir iddia. Bilgi bağlantıda olabilir, ancak bağlantının kesilmesinden sonra bile bu başlığın bilgilendirici kalmasını istiyoruz.
dediklerinin - Eski Monica

Merhaba teşekkürler! Açıklamanın ne kadar iyi yapıldığından emin değilim (Daphne'nin kanıtı hazırlaması en az yarım saat sürer) ve bence de özellikle taze değil ama genel fikir lojistik modelin basitleştirilmiş bir versiyonudur. CRF'lerin temeli olan Gibbs Distribution.
Octavia-Maria Șulea,

1
Crf ne anlama geliyor? Crf = koşullu rasgele alanlar mu?
Yaşam Ted Taylor

2

@David Marx tarafından mükemmel cevap. Sınıflandırma / Regresyon ağacı ve Bayesian ağı arasındaki farkın ne olduğunu merak ediyorum. Bir sonucu farklı tahmincilere dayalı sınıflara sınıflamak için entropi üzerine, diğeri ise koşullu bağımsızlık ve olasılıksal parametre tahminlerini kullanarak grafiksel bir ağ oluşturur.

Bayesian ağını kurma metodolojisinin Regresyon / Karar ağacına göre farklı olduğunu hissediyorum. Yapısal öğrenme için algoritma, modellerin kullanım amaçları ve modellerin çıkarımsal yetenekleri farklıdır.

Puan temelli ve kısıtlı temelli yaklaşım, karar ağacı ailelerinde bilgi kazandırma kriterleri ile çizilen bazı paralellikler ile anlaşılabilir.


1

İlk önce, bu yöntemlerle çözülmeye çalışılan sorunun doğasını belirtmeye çalışıyoruz. Bir sorun basitse, Polinom veya NP Tamamlandı, aksiyomların mantıksal kurallar boyunca basit bir şekilde yeniden bir araya getirilmesiyle belirleyici bir cevap verebilecek algoritmaları takmaya hazırız. Bununla birlikte, durum böyle değilse, problemi heterojen olarak ele almaya ve onu bir ağa bağlamaya çalışacağımız bir akıl yürütme yöntemine güvenmeliyiz, burada düğümler bileşenler arasında geçiş yapıyor .

Her tür ağ temelli mantıkta, mantıksal kurallara göre lineer bir akışta soyut genellemeler ve kombinasyonlar kullanarak, tümdengelimli bir sebep değiliz, bunun yerine, farklı yönlerdeki mantık kurallarına göre problemi çözerek çözmek için çalışıyoruz. her seferinde bir düğüm sorun, gelecekte herhangi bir düğümle ilgili yeni gerçeklerin keşfedilmesine ilişkin gelişmelere açıktır. Şimdi bu tekniklerin her birinin bu problem çözme yöntemine kendi yöntemleriyle nasıl yaklaştığını görelim.

Sinir Ağı: Sinir ağı, basit düğümler arasındaki bağlantıların tekrarlanan dış takviyelerle oluşturulduğuna ve vurgulandığına inanıldığı (sistemin dışından asla doğrulanamadığı) kara bir kutudur. Connectionsitic bir paradigmada soruna yaklaşır . Sorun muhtemelen çözülmüş durumda, ancak açıklanabilmesi için çok az şey var. Sinir ağı, açıklanabilirlik sorunu göz ardı edilirse, hızlı sonuç üretme kabiliyeti nedeniyle yaygın olarak kullanılmaktadır.

Bayesian Ağı: Bayesian Ağı, akış çizelgesine benzeyen, yalnızca akış çizelgesinin döngüsel döngülere sahip olabileceği yönlendirilmiş bir asiklik grafiktir. Akış şemasından farklı olarak Bayesian ağı birden fazla başlangıç ​​noktasına sahip olabilir. Temel olarak, olayların olasılıkla patikalar arasında saptığı, belirsiz noktaların çoğunda olayların yayılımını izler. Açıkçası, ağın herhangi bir noktasında, ziyaret edilen bu düğümün olasılığı, önceki düğümlerin ortak olasılığına bağlıdır. Bayesian ağı, Sinir Ağı'ndan farklıdır, çünkü olasılıksaldır ve bu nedenle, her algoritmaya göre yasal değerler içinde yeniden gözden geçirilip değiştirilen her bir basamağa dayanarak birden fazla kararlı duruma sahip olabilir. Muhtemel bir şekilde düşünmenin sağlam bir yoludur, ancak olasılıkların kodlanmasını içerir,

Karar Ağaçları: Karar ağacı yine, Bayesian ağına sinir ağından daha yakın olan bir akış şeması gibi olan bir ağdır. Her bir düğüm sinir ağından daha fazla zekaya sahiptir ve dallanma, matematiksel ya da olasılıksal değerlendirmelerle kararlaştırılabilir. Kararlar, kararın muhtemel olduğu muhtemel olayların sıklık dağılımına dayanan basit değerlendirmelerdir. Bununla birlikte, Bayes ağlarında, karar olayın doğrudan gözlemlenmesinden ziyade meydana gelen bir olaya işaret eden “kanıtların” dağıtılmasına dayanmaktadır.

Bir Örnek Örneğin, bir erkek yiyen kaplanın, bazı kaplan rezervinin kenarına giren bazı Himalaya köylerinde hareketini tahmin edersek, aşağıdaki iki yaklaşımdan birini modelleyebiliriz:

Bir karar ağacında, bir kaplanın açık alanlar veya nehirler arasında bir seçim yapıp yapmamayı seçeceği konusunda uzman tahminlerine dayanacağız. Bir Bayesian ağında kaplanı pug işaretleri ile takip ediyoruz, ancak bu pug işaretlerinin rutin olarak topraklarında devriye gezen benzer büyüklükteki bir kaplanınkileri olabileceğini kabul eden bir nedenle. Bir sinir ağı kullanacak olursak, yüzmeyi tercih etme, açık alanlara karşı kapalı alanların tercih edilmesi, insanlık alışkanlıklarından kaçınma gibi genel olarak kaplanın çeşitli davranış özelliklerini kullanarak modeli tekrar tekrar eğitmek zorunda kalacağız. ağın, kaplanın alabileceği seyir boyunca genel olarak sebep olmasına izin ver.


0

Grafik modeller ile ilgili olarak, Petri Net bir sistem davranışını biçimlendirir; Kesin olarak, söz konusu modellerin geri kalan kısmından farklıdır; bunların tümü kararın nasıl oluşturulduğuyla ilgilidir.

Atıf yapılan isimlerin çoğunun, çoğu zaman birbirine uyum sağlayan oldukça geniş kapsamlı AI kavramları belirttiğine dikkat etmek gerekir: örneğin, bir karar ağacı oluşturmak için bir Sinir Ağı kullanabilirsiniz; çıkarsama.


-3

Bu iyi bir soru ve kendime aynı soruyu soruyorum. İkiden fazla sinir ağı türü var ve bir önceki cevabın rekabetçi tipe hitap ettiği görülüyor, oysa Bayesian ağının ileri geri beslemeli, geri yayılım (FFBP) tipiyle benzerliklerinin olduğu görülüyor. Aslında, Bayesian ağının FFBP'nin bir genellemesi olduğunu söyleyebilirim. Yani FFBP bir tür Bayesian ağıdır ve benzer şekilde çalışır.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.