두 번째 검사가 실제로 감염되었다는 믿음에 어떻게 영향을 미칠 수 있습니까?
여기 베리타시움 채널의 예제를 사용하고 있습니다. 이 게시물에서는 베이지안 네트워크 아래의 논리를 보여주고 싶습니다. 베이 즈 정리에 대 한 자세한 내용은 비디오를 참조 하는 것이 좋습니다.
첫 번째 테스트
매우 드문 질환(1000 명 중 1 명이 영향을 받음)이므로 몸에 바이러스가 있을 확률은 다음 표(조건부 확률 표라고 함)에 의해 제공됩니다):
이 표는 1000 명 중 1 명만이 바이러스를 가지고 있음을 보여줍니다. 1000 에서 999 는 바이러스로부터 자유 롭다.
이제 테스트를 만들기 위해 유사한 테이블을 수행합니다.이 두 번째 테이블은 테스트의 정확성을 보여줍니다. 그것은 진실을 말하는 시험의 능력입니다. 따라서 감염된 경우 테스트는 99%의 확률로 사실이며 감염되지 않은 경우 테스트는 두 경우 모두 거짓(99%정확도도)으로 표시됩니다.1%
다음 그래프는 테스트 결과가 주어진 바이러스 존재가 테스트(위의 표와 같이)에 달려 있음을 보여줍니다.:
그런 다음,나는 테스트가 사실이라는 증거를 제공 할 때. 네트워크는 하나의 테스트가 양성이라는 것을 감안할 때 몸에 바이러스가 존재한다는 것을 보여줍니다.
왜 그런가요? 이 숫자는 베이 즈 정리:
에서 이 문제가:
𝑃(H|E)=𝑃(H)×𝑃(E|H)/𝑃(E)
𝑃(H|E)=𝑃(H)×P(E|H) /(𝑃(E|H)×𝑃(H)+𝑃(E|Hc)×𝑃(Ec) )
𝑃(H|E) = 0,99*0,001 / (0,001*0,99 + 0,999*0,01) = 0,9 = 9%
이 계산하는 것은 복잡하게 보이지만 한 번에 표시되는 그래프,우리는 더 나은 직관에 어떻게 bayesian 생각 작품입니다.
두 가지 테스트:
두 번째 시험을 치르면 어떻게 될까요? 이 새로운 테스트도 99%의 정확도를 가지고 있다고 가정 해 봅시다,우리는 첫 번째 테스트와 같은 테이블을 가지고:
해당 베이지안 네트워크는 다음 네트워크가 될 것입니다:
즉,두 개의 긍정적 인 테스트 91%로 질병 증가를 갖는 기회. 이전 경험이 업로드됩니다. 이 질병은 9%에서 91%까지 일관성이 있습니다. 그러나 그것은 100%가 아닙니다!
다른 경우에는 두 번째 검사가 음성이면 질병이 없을 확률이 100%입니다.
세 가지 테스트
세 가지 테스트의 경우 모두 동일한 정확도로 흥미로운 결과를 볼 수 있습니다. 3 테스트가 사실이라는 증거가있는 경우,이제는 바이러스에 감염된 것이 100%확실합니다.
그러나 하나의 테스트가 거짓이기 때문에,결과는 다시 회전하고,그것은 당신의 몸에 바이러스 존재의 91%의 확률이다:
결론적으로,베이지안 네트워크는 베이지안 사고를 표현하는 데 도움이,그것은 모델에 데이터의 양이 중간 불완전 및/또는 불확실한 경우 데이터 과학에 사용할 수 있습니다. 또한 전문가의 판단을 사용하여 네트워크를 구축하거나 구체화 할 수 있습니다. 서로 다른 시나리오를’시뮬레이션’할 수 있습니다. 그들은 입력 값(이 예에서 바이러스 존재 및 테스트의 정확성)이 출력의 일정 수준의 확률(실제로 질병을 가질 확률)에 연결되는 방법을 나타냅니다
이 게시물에서 나는 베이 즈 정리에서 시작하여 베이지안 네트워크를 구축하는 방법에 대해 설명했다. 저는 현재 프로젝트의 비용과 위험을 예측하기 위해 베이지안 네트워크를 연구하고 있습니다. 나는 같은 강력한 인공 지능 도구의 건설의 기초를 공유 할 수 있습니다.
베이지안 네트워크에 대해 좀 더 알고 싶다면:
모델 소스 축에 대한 이론과 데이터 사이의 수평 적 구분에 관해서,베이지안 네트워크는 특별한 특성을 가지고있다. 베이지안 네트워크는 인간의 지식,즉 이론에서 구축되거나 데이터에서 기계로 학습 될 수 있습니다. 따라서 전체 스펙트럼을 모델 소스로 사용할 수 있습니다. 또한 그래픽 구조로 인해 기계 학습 베이지안 네트워크는 시각적으로 해석 가능하므로 인간의 학습과 이론 구축을 촉진합니다. 이 게시물에서 나는 감독 학습 알고리즘과 억 비교,및 강화 학습.
베이지안 네트워크는 인간 학습과 기계 학습이 동시에 작동 할 수있게 해줍니다.즉,베이지안 네트워크는 인간과 인공 지능의 조합으로 개발 될 수 있습니다. 이론과 데이터 사이의 경계를 넘어 베이지안 네트워크는 인과 관계에 관한 특별한 특성을 가지고 있습니다.
그러나 이러한 협력은 간단하지 않으며,바산 네트워크를 구축하기 위해서는 여러 개의 하이퍼파라미터를 적절히 선택해야 한다.
특정 조건 및 특정 이론 중심의 가정 하에서 베이지안 네트워크는 인과 적 추론을 용이하게합니다. 사실,베이지안 네트워크 모델은 연관/상관에서 인과 관계에 이르기까지 전체 범위를 커버 할 수 있습니다.
실제로 이는 인과 관계 가정(예:합성 노드 사용)을 기존의 비 인과 관계 네트워크에 추가하여 인과 관계 베이지안 네트워크를 만들 수 있음을 의미합니다. 이것은 치료의 효과를 추정하는 것과 같은 영역에서 개입을 시뮬레이션하려고 할 때 특히 중요합니다. 이러한 맥락에서 인과 적 모델로 작업하는 것이 필수적이며 베이지안 네트워크는 우리가 그 전환을 돕는 데 도움이됩니다.