どのように第二のテストは、あなたが実際に感染しているという信念に影響を与えることができますか？
私はここでVeritasiumチャンネルからの例を使用しています。 この記事では、ベイジアンネットワークの下でロジックを表示したいと思います。 Bayes theoremの詳細については、ビデオを見ることをお勧めします。
最初のテスト
それは非常にまれな病気（1000の1が影響を受けている）であるため、あなたの体にウイルスが存在する確率は次の表（条件付き確率表と呼ばれる）で与えら):
この表は、1000人に1人だけがウイルスを持っていることを示しています。 それは言っても同じです：999で1000はウイルスから無料です。
ここで、テストを行うための同様の表を行います。 それは真実を伝える上でのテストの能力です。 したがって、感染している場合、テストは99％の確率でtrueになり、感染していない場合、テストはFalse（99％も正確）と表示されますどちらの場合もエラー率は次の1%
次のグラフは、テストの結果が与えられたウイルスの存在がテストに依存することを示しています（上記の表のように）:
次に、テストが真であるという証拠を与えるとき。 ネットワークは、1つのテストが陽性であることを考えると、あなたの体にウイルスが存在することを私に示しています、わずか9％です！
それはなぜですか？ この数はベイズの定理から来ています:
この問題:
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%
この計算のように複雑なものの、一度に表されるグラフを勘どのベイジアンを考えます。
二つのテストのために:
二回目のテストを受けるとどうなりますか？ この新しいテストも99％の精度を持っているとしましょう、我々は最初のテストと同じテーブルを持っています:
対応するベイズネットワークが次のネットワークになります:
つまり、2つの陽性テストでは、病気になる可能性は91％に増加します。 以前の経験がアップロードされます。 これは一貫性があり、病気を患っている可能性は9％から91％になります。 しかし、それは100％ではありません！
別のケースでは、第二のテストが陰性である場合、病気を持っていないことの100％の可能性があります。
3つの検定
3つの検定の場合、すべて同じ精度で、興味深い結果がいくつか見られます。 あなたは3つのテストが真であるという証拠を持っている場合は、今ではあなたがウイルスに感染していることを100％確信しています。
しかし、1つのテストが偽であるため、結果は再び変わり、体内にウイルスが存在する可能性は91％に過ぎません:
結論として、ベイズネットワークは、ベイズ思考を表現するのに役立ち、モデル化するデータの量が中程度、不完全および/または不確実である場合、データサイ 彼らはまたネットワークを造るか、または精製するのに専門家の判断を使用してもいい。 それらは異なったシナリオを”模倣する”ことを可能にする。 これらは、入力値（この例ではウイルスの存在とテストの精度）が、出力のあるレベルの確率（実際に病気を持つ確率）
にどのようにリンクされているかを表 私は現在、プロジェクトのコストとリスクを予測するためにベイズネットワークに取り組んでいます。 このような強力なAIツールの構築の基本を共有したいと思います。
ベイジアンネットワークについてもう少し知りたい場合:
モデルソース軸上の理論とデータの水平分割に関しては、ベイジアンネットワークには特別な特性があります。 ベイジアンネットワークは、人間の知識、すなわち理論から構築することも、データから機械学習することもできます。 したがって、スペクトル全体をモデルソースとして使用できます。 また、そのグラフィカルな構造のために、機械学習ベイズネットワークは視覚的に解釈可能であり、したがって人間の学習と理論構築を促進する。 この記事では、Bnを教師あり学習アルゴリズムと比較し、Renforcement学習を行いました。
ベイジアンネットワークは、人間の学習と機械学習が並行して動作することを可能にする、すなわち、ベイジアンネットワークは、人間と人工知能の組 理論とデータの境界を越えて、ベイジアンネットワークは因果関係に関する特別な性質を持っています。
しかし、このコラボレーションは単純ではなく、Bayesanネットワークを構築するためには、いくつかのハイパーパラメータを適切に選択する必要があります。
特定の条件の下で、そして特定の理論主導の仮定の下で、ベイジアンネットワークは因果推論を容易にする。 実際、ベイジアンネットワークモデルは、関連/相関から因果までの全範囲をカバーすることができます。
実際には、これは、既存の非因果ネットワークに因果仮定（例えば合成ノードを使用）を追加し、因果ベイズネットワークを作成できることを意味します。 これは、治療の効果を推定するなど、ドメイン内の介入をシミュレートしようとするときに特に重要です。 この文脈では、因果モデルを扱うことが不可欠であり、ベイジアンネットワークはその移行を行うのに役立ちます。