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