Hvordan kan en annen test påvirke troen på at du er smittet faktisk?
jeg bruker her eksemplet Fra Veritasium-kanalen. I dette innlegget vil jeg vise logikken under bayesianske nettverk. For mer informasjon i bayes theorem foreslår jeg å se videoen.
Den første testen
Siden det er en svært sjelden sykdom (1 av 1000 er berørt) er sannsynligheten for å ha viruset i kroppen din gitt ved neste tabell (Kalt En Betinget Sannsynlighetstabell):
denne tabellen viser at bare 1 av 1000 mennesker har viruset. Det er det samme å si: 999 i 1000 er fri For Viruset.
nå gjør Vi et lignende bord for å lage test: Denne andre tabellen viser nøyaktigheten av testen. Det er kapasiteten til testen på å fortelle det sanne. Så, hvis du er infisert testen vil være sant med 99% sjanse, og hvis du ikke er infisert testen vil vise Falsk (99% nøyaktig også) i begge tilfeller feilraten er 1%
neste graf viser at virustilstedeværelsen gitt resultatet av testen avhenger av testen (som i tabellen ovenfor):
Da, når jeg gir bevis på at testen Er Sant. Nettverket viser meg at tilstedeværelsen av viruset på kroppen din, gitt at en test er positiv, er bare 9%!
Hvorfor Er Det? Dette tallet kommer Fra Bayes theorem:
I dette problemet:
𝑃(T|E) = 𝑃(H) × 𝑃(E|H) / 𝑃(E)
𝑃(T|E) = 𝑃(H) × P(E|H) / (𝑃(E|H) × 𝑃(H) + 𝑃(E|Hc) × 𝑃(Ef) )
𝑃(H|E) = 0,99*0,001 / (0,001*0,99 + 0,999*0,01) = 0,9 = 9%
Dette er beregninger som synes komplisert, men når representert i grafer, vi får en bedre innsikt på hvordan bayesiansk tankegang fungerer.
For to tester:
Hva skjer hvis du tar en ny test? La oss si at denne nye testen også har 99% nøyaktighet, vi har samme tabell som den første testen:
det tilsvarende bayesianske nettverket vil være det neste:
det betyr: for to positive test øker sjansen for å få sykdommen til 91%. Den tidligere erfaringen er lastet opp. Dette er sammenhengende, sjansen for å ha sykdommen jums fra 9% til 91%. Men det er ikke 100%!
i et annet tilfelle, hvis den andre testen er negativ, er det 100% sjanse for ikke å ha sykdommen.
For tre tester
i tilfelle av tre tester, alle med samme nøyaktighet, ser vi noen interessante resultater. Hvis du har bevis på at 3 test er sanne, er det nå 100% sikkert at du er infisert med viruset.
Men siden en test er falsk, blir resultatet igjen, og det er bare 91% sjanse for virus tilstedeværelse i kroppen din:
til slutt hjelper bayesiansk nettverk oss til å representere bayesiansk tenkning, det kan brukes i datavitenskap når mengden data til modellen er moderat, ufullstendig og/eller usikker. De kan også bruke ekspertvurdering til å bygge eller forfine nettverket. De tillater å simulere forskjellige scenarier. De representerer hvordan inngangsverdier (i dette eksemplet virus tilstedeværelse og nøyaktighet av testen) er knyttet til viss grad av sannsynlighet for utgangen (sannsynlighet for å faktisk ha sykdommen)
i dette innlegget forklarte jeg i hvordan man bygger Et Bayesiansk nettverk, fra Bayes-teoremet. Jeg jobber for Tiden Med Bayesianske nettverk for å forutsi kostnader og risiko for prosjekter. Jeg vil dele grunnleggende om bygging av et slikt kraftig AI-verktøy.
hvis du vil vite litt mer om bayesianske nettverk:
Når Det gjelder horisontal deling Mellom Teori og Data På Modellkildeaksen, Har Bayesianske nettverk en spesiell egenskap. Bayesianske nettverk kan bygges fra menneskelig kunnskap, dvs. Fra Teori, eller de kan maskinlært Fra Data. Dermed kan de bruke hele spekteret Som Modellkilde. På grunn av sin grafiske struktur er maskinlærte Bayesianske nettverk også visuelt tolkbare, og fremmer derfor menneskelig læring og teoribygging. I dette innlegget sammenlignet JEG BN MED Veiledet Læring algoritmer, Og Renforcement Læring.
Bayesianske nettverk tillater menneskelig læring og maskinlæring å fungere sammen, dvs. Bayesianske nettverk kan utvikles fra en kombinasjon av menneskelig og kunstig intelligens. Utover å krysse grensene Mellom Teori og Data, Bayesianske nettverk har også spesielle kvaliteter om årsakssammenheng.
dette samarbeidet er imidlertid ikke enkelt, for å bygge Bayesan-Nettverk er det nødvendig å velge flere hyperparametere på riktig måte.
Under visse forhold og med spesifikke teoridrevne forutsetninger, bayesianske nettverk lette årsakssammenheng. Faktisk Kan Bayesianske nettverksmodeller dekke hele spekteret Fra Forening / Korrelasjon Til Årsakssammenheng.
i praksis betyr dette at vi kan legge til kausale forutsetninger (for eksempel ved hjelp av syntetiske noder) til et eksisterende ikke-kausalt nettverk og dermed skape et kausalt Bayesiansk nettverk. Dette er spesielt viktig når vi prøver å simulere et inngrep i et domene, for eksempel å estimere effekten av en behandling. I denne sammenheng er det viktig å jobbe med en årsakssammenheng, Og Bayesianske nettverk hjelper oss med å gjøre denne overgangen.