অন্যান্য মেশিন লার্নিং পদ্ধতির উপর বায়সিয়ান নেটওয়ার্কগুলি কখন ব্যবহার করবেন?

13

আমি আশা করি এই প্রশ্নের কোনও নির্দিষ্ট উত্তর নাও থাকতে পারে। তবে আমি অতীতে বেশ কয়েকটি মেশিন লার্নিং অ্যালগরিদম ব্যবহার করেছি এবং বায়সিয়ান নেটওয়ার্কগুলি সম্পর্কে জানার চেষ্টা করছি। আমি বুঝতে চাই কোন পরিস্থিতিতে বা কোন ধরণের সমস্যার জন্য আপনি বায়েশিয়ান নেটওয়ার্ক অন্যান্য পদ্ধতির উপর ব্যবহার করতে পছন্দ করবেন?

machine-learning bayesian-network

— AndyC
সূত্র

3

আমার জন্য বায়েশিয়ান নেটওয়ার্কগুলি একটি মডেলটিতে শর্তাধীন স্বাধীনতা সংজ্ঞায়নের একটি উপায়। একবার আপনি এটি সংজ্ঞায়িত করে নিলে, আমি অনুমান করি আপনি মডেল পরামিতিগুলি অনুমান করতে বিভিন্ন শেখার সরঞ্জামগুলি ব্যবহার করতে পারেন। সুতরাং, আমি প্যারামিটার লার্নিং এবং মডেলের মধ্যে একটি স্পষ্ট বিভাজন দেখতে পাচ্ছি। তবে, আমি এটিতে বিশেষজ্ঞ নই যাতে আরও ভাল উত্তর নিয়ে কেউ আসতে পারে।

— লুকা

8

বায়েশিয়ান নেটওয়ার্ক (বিএন) জেনারেটরি মডেল। ধরুন আপনার কাছে ইনপুট, এবং আউটপুট । বিএন এর আপনাকে যৌথ বিতরণ শিখতে দেয় , যাক লজিস্টিক রিগ্রেশন বা সাপোর্ট ভেক্টর মেশিনের বিপরীতে, যা শর্তাধীন বিতরণ মডেল করে । $X$ $Y$ $P(X,Y)$ $P(Y|X)$

শর্তসাপেক্ষ সম্ভাবনা (বৈষম্যমূলক মডেল) শেখার চেয়ে ডেটার যৌথ সম্ভাব্যতা বিতরণ (জেনারেটরি মডেল) শেখা আরও কঠিন। তবে, প্রাক্তন আরও বহুমুখী মডেল সরবরাহ করে যেখানে আপনি বা ইত্যাদির মতো , আপনার একমাত্র লক্ষ্য শিখতে হবে । $P(X_1|Y)$ $P(X_1|X_2=A, X_3=B)$ $P(Y|X)$

বিএন'র যৌথ বন্টন নির্ধারণের জন্য ড্যাগের ব্যবহার। সুতরাং তারা গ্রাফিকাল মডেল।

সুবিধাদি:

যখন আপনার প্রচুর অনুপস্থিত তথ্য রয়েছে, যেমন medicineষধে, তখন যৌথ বিতরণকে মডেলিং করার পরে বিএন কার্যকরভাবে কার্যকর হতে পারে (অর্থাত্ ডেটা কীভাবে তৈরি হয়েছিল সে সম্পর্কে আপনার দৃ as় বক্তব্য) পুরোপুরি পর্যবেক্ষণ করা ডেটাসেট থাকার ক্ষেত্রে আপনার নির্ভরতা হ্রাস করে।
আপনি যখন কোনও ডোমেনকে এমনভাবে মডেল করতে চান যা চাক্ষুষরূপে স্বচ্ছ, এবং capture সম্পর্কগুলি ক্যাপচার করার লক্ষ্য রাখে , বিএন এর ক্ষমতা খুব শক্তিশালী হতে পারে। নোট করুন যে বিএন এর কার্যকারিতা অনুমান যদিও বিতর্ক জন্য উন্মুক্ত। $\text{cause} \to \text{effect}$
যৌথ বিতরণ শেখা একটি কঠিন কাজ, এটি পৃথক ভেরিয়েবলগুলির জন্য মডেলিং (শর্তসাপেক্ষ সম্ভাবনা সারণীর গণনা হিসাবে, অর্থাৎ সিপিটি'র) অবিচ্ছিন্ন ভেরিয়েবলগুলির জন্য একই চেষ্টা করার চেয়ে যথেষ্ট সহজ। সুতরাং বিএন এর ব্যবহারিকভাবে পৃথক পৃথক ভেরিয়েবলগুলির সাথে সাধারণ।
বিএন কেবল পর্যবেক্ষণমূলক অনুমানের অনুমতি দেয় না (যেমন সমস্ত মেশিন লার্নিং মডেলগুলি মঞ্জুরি দেয়) তবে কার্যকরী হস্তক্ষেপেও । এটি বিএন এর একটি সাধারণভাবে অবহেলিত এবং অপরিবর্তিত সুবিধা এবং পাল্টা যুক্তিযুক্ত যুক্তির সাথে সম্পর্কিত।

— Zhubarb
সূত্র

1

সুবিধা 1 টি যেখানে আপনি বলছেন যে বিএনগুলি প্রচুর অনুপস্থিত মান সহ ডেটা মডেলিংয়ের জন্য কার্যকর, এই অনুপস্থিত মানগুলি কি ডেটাতে স্বতন্ত্রতার সঠিক সনাক্তকরণকে প্রভাবিত করে না?

— হোসেইন

1

হ্যাঁ, মডেলটি ফিটিং করার সময় আপনাকে কিছু অনুমানের সাথে আবশ্যক করা প্রয়োজন, তবে একবার আপনার কাঠামো যেমন পরে আপনার ডিএজি (যেটি আপনার স্বাধীনতা অনুমানকে আবদ্ধ করে উপর নির্ভর করে আপনি যদি ইতিমধ্যে উপলব্ধ থাকে বা এর বিপরীতে প্রয়োজন নাও পারে need

P (Y, X_{1}, X_{2})

$P(Y,X_1,X_2)$

X_{1}

$X_1$

X_{2}

$X_2$

— ঝুবার্ব

1

আমার অভিজ্ঞতায় বায়সিয়ান নেটওয়ার্কগুলি খুব ভাল কাজ করে যখন উচ্চ মাত্রিক শ্রেণিবদ্ধ ডেটা থাকে । তারা ব্যাখ্যামূলক-সক্ষম মডেল দেয়, যা (কখনও কখনও) বিভিন্ন পরিবর্তনশীল কীভাবে ইন্টারঅ্যাক্ট করে তা বোঝাতে সহায়তা করে।

— কষা
সূত্র