ลักษณะเฉพาะของเครือข่ายเชื่อมั่นแบบเบย์ (Bayesian Belief Networks) มีอะไรบ้าง

ตัวแบ่งประเภทเบย์แบบ наиฟ (Naive Bayesian Classifier) สร้างสมมติฐานความเป็นอิสระแบบมีเงื่อนไขของคลาส (Class Conditional Independence) คือ กำหนดฉลากคลาสของทูเพิล ค่าของแอตทริบิวต์ถูกพิจารณาว่าเป็นแบบมีเงื่อนไขแยกจากกัน กล่าวอีกนัยหนึ่ง นี่คือการประเมินค่า

เมื่อสมมติฐานส่งผลจริง ดังนั้น naive Bayesian classifier จึงมีประสิทธิภาพมากกว่าตัวแบ่งประเภทหลายตัว สามารถแสดงการกระจายความน่าจะเป็นร่วมแบบมีเงื่อนไข (Joint Conditional Probability Distributions) ได้

พวกเขาช่วยให้ความเป็นอิสระแบบมีเงื่อนไขของคลาส (Class Conditional Independencies) แสดงได้ระหว่างเซตย่อยของตัวแปร พวกเขาสนับสนุนโครงสร้างกราฟิกของความสัมพันธ์เหตุ-ผล (Causal Relationships) ที่การเรียนรู้สามารถนำไปใช้ได้ เครือข่ายเชื่อมั่นแบบเบย์ที่ฝึกอบรมแล้ว (Trained Bayesian Belief Networks) ใช้สำหรับการจำแนกประเภท เครือข่ายเชื่อมั่นแบบเบย์ยังเรียกว่า belief networks, Bayesian networks, และ probabilistic networks

เครือข่ายเชื่อมั่น (Belief Network) แทนด้วยสองส่วนประกอบ รวมถึงกราฟแบบไม่มีวัฏจักรทิศทาง (Directed Acyclic Graph) และกลุ่มตารางความน่าจะเป็นแบบมีเงื่อนไข (Conditional Probability Tables) ทุกโหนดในกราฟแบบไม่มีวัฏจักรทิศทางกำหนดตัวแปรสุ่ม (Random Variable) ตัวแปรสามารถเป็น discrete- หรือ continuous-valued

พวกเขาสามารถสอดคล้องกับแอตทริบิวต์บางอย่างที่กำหนดในข้อมูล หรือ "ตัวแปรซ่อน" (Hidden Variables) ที่เชื่อว่าสร้างความสัมพันธ์ (เช่น ในกรณีของระเบียนทางการแพทย์ ตัวแปรซ่อนสามารถแทน 신ดโรม (Syndrome) ซึ่งอธิบายอาการหลายอย่างที่ร่วมกันระบุโรคเฉพาะเจาะจง)

ลักษณะเฉพาะของ Bayesian Belief Networks

BBN สนับสนุนวิธีสำหรับจับความรู้ก่อนหน้า (Prior Knowledge) ของโดเมนเฉพาะโดยใช้โมเดลกราฟิก (Graphical Model) เครือข่ายสามารถใช้เพื่อเข้ารหัสการพึ่งพาเหตุ-ผล (Causal Dependencies) ระหว่างตัวแปร

การสร้างเครือข่ายอาจใช้เวลาและต้องการความพยายามมาก แต่โครงสร้างของเครือข่ายถูกตัดสินใจแล้ว การแทรกตัวแปรใหม่เป็นเรื่องง่ายมาก

เครือข่ายเบย์ (Bayesian Networks) ใช้ได้กับการจัดการข้อมูลที่ไม่เพียงพอ (Incomplete Data) อินสแตนซ์ที่มีแอตทริบิวต์ขาดหายสามารถจัดการได้โดยการหาผลรวมหรือการผสานรวม (Integrating) ความน่าจะเป็นเหนือค่าที่เป็นไปได้ทั้งหมดของแอตทริบิวต์

เนื่องจากข้อมูลถูกรวมแบบความน่าจะเป็นกับความรู้ก่อนหน้า วิธีนี้จึงทนทานต่อการเรียนรู้เกินของโมเดล (Model Overfitting)

เครือข่ายเชื่อมั่น (Belief Networks) สามารถใช้สร้างแบบจำลองปัญหาที่รู้จักดีหลายอย่าง ตัวอย่างคือการวิเคราะห์ลิงก์ทางพันธุกรรม (Genetic Linkage Analysis) เช่น การจับคู่ยีนบนโครโมโซม โดยการหล่อปัญหาลิงก์ยีนในรูปแบบของการอนุมานบนเครือข่ายเบย์ และใช้อัลกอริทึมทันสมัย การขยายความสามารถของการวิเคราะห์ได้ก้าวหน้าอย่างมีนัยสำคัญ

หลายการประยุกต์ใช้ได้รับประโยชน์จากการใช้เครือข่ายเชื่อมั่น เช่น computer vision, image restoration, stereo vision, การวิเคราะห์ไฟล์และข้อความ (Files and Text Analysis), ระบบสนับสนุนการตัดสินใจ (Decision Support Systems), และการวิเคราะห์ความไว (Sensitivity Analysis) ความสะดวกที่หลายการประยุกต์สามารถลดรูปเป็นการอนุมานเครือข่ายเบย์เป็นประโยชน์ในนั้นที่มันควบคุมความจำเป็นต้องสร้างอัลกอริทึมเฉพาะสำหรับทุกการประยุกต์