Bayesian Network (ベイズ) ノードを使用すると、観測された情報および記録された情報を「常識」という実際の知識を組み合わせることによって確率モデルを作成し、表面的にはリンクしていない属性を使用して発生の尤度を確立できます。 ノードは主に分類に使用される Tree Augmented Naïve Bayes (TAN) および Markov Blanket ネットワークに焦点を当てています。
Bayesian Network (ベイズ) は、あらゆる状況で予測を行うために使用されます。以下に例を示します。
- デフォルトのリスクが低い、ローンの機会を選ぶ。
- センサーの入力および既存のレコードに基づき、機器にサービス、部品、置換が必要な時期を推定する。
- オンラインのトラブルシューティング・ツールを使用して顧客の問題を解決する。
- 携帯電話ネットワークをリアルタイムで診断およびトラブルシューティングする。
- 発生しうるリスクおよび研究開発プロジェクトの報酬を評価し、リソースを最も良い機会に集める。
Bayesian Network (ベイズ) は、データセットに変数 (多くの場合、ノードとして参照) を表示、および変数間の確率的または条件的独立性を表示するグラフィカルなモデルです。 ノード間の因果関係は、Bayesian Network (ベイズ) によって表されますが、(arcs と呼ばれる) ネットワークのリンクは直接的な原因と結果を必ずしも表すわけではありません。 例えば、グラフに表示された症状と病気の間の確率的独立性が真である場合、Bayesian network (ベイズ) を使用して、特定の症状およびその他の関連データが存在または非存在を考慮し、Bayesian network (ベイズ) を使用して、患者が特定の病気を持つ確率を計算できます。 情報がない場合、ネットワークは非常に強力で、存在するすべての情報を使用して、最善の予測を行います。
Bayesian Network (ベイズ) の一般的で基本的な例は、Lauritzen および Spiegelhalter によって作成されていました (1988 年)。 この例は、「アジア」モデルとして参照され、医師の新しい患者、因果関係にほとんど対応するリンクの方向を診断するために使用されるネットワークを単純化したものです。 それぞれのノードは、患者の状況に関連するファセットを表します。例えば、「Smoking」は常習喫煙者を表し、「VisitAsia」は最近アジアをに行ったことを表します。 確率の関係はノード間のリンクによって表されます。例えば、喫煙すると患者が気管支炎および肺ガンを患う可能性が上昇し、年齢は肺ガンを発症する可能性にのみ関連するように考えられます。 同様に、肺の X 線での異常は結核または肺ガンによるものであることが考えられますが、気管支炎または肺ガンも患っている場合、患者が呼吸困難に陥っている可能性が大きくなります。
Bayesian Network (ベイズ) を使用する理由は、下記のとおりです。
- 因果関係について学習することができます。 これにより、問題の領域を理解し、干渉の結果を予測できます。
- ネットワークは、データのオーバーフィットを防止するための効果的な手法を提供します。
- 関係の明確な視覚化が、容易に観測されます。
基準。 ターゲット・フィールドはカテゴリー型で、測定レベルを 名義、 序数、または フラグにすることができます。 入力フィールドは、いかなるタイプのフィールドでもかまいません。 連続した入力フィールド (数値範囲型) は自動的に分割されます。ただし、分散が歪んでいる場合、Bayesian Network (ベイズ) ノードの前にデータ分割ノードを使用して手動でフィールドを分割し、より良い結果を取得できます。 例えば、スーパバイザ フィールドが、Bayesian Network (ベイズ) ノードの対象フィールドと同じ場合、最適データ分割を使用します。
例。 銀行のアナリストは、 ローンの返済を履行しない顧客または潜在的顧客を予測できる必要があります。 ベイジアン・ネットワーク・モデルを使用すると、デフォルトになる可能性が高い顧客の特性を識別し、いくつかの異なるタイプのモデルを作成することができます。このモデルは、潜在的なデフォルトの可能性を予測するのに最適です。
例。 通信会社のオペレータは、解約する顧客 (「顧客離れ」) の数を減らし、 前月のデータを使用して毎月ベースでモデルを更新したいと考えています。 Bayesian Network (ベイズ) モデルを使用し、離れると考えられる顧客の特性を特定し、新規データで毎月モデルの学習を継続します。