何时在其他机器学习方法上使用贝叶斯网络？

12

我希望这个问题可能没有确切的答案。但是我过去使用过许多机器学习算法，并且正在尝试了解贝叶斯网络。我想了解在什么情况下，或者您选择在哪种类型的问题上使用贝叶斯网络而不是其他方法？

machine-learning bayesian-network

— 安迪
source

3

对我来说，贝叶斯网络是一种定义模型中条件独立性的方法。定义好之后，我想您可以使用各种学习工具来估计模型参数。因此，我看到了参数学习与模型之间的清晰区分。但是，我不是专家，所以有人可以提供更好的答案。

— 卡

Answers:

7

贝叶斯网络（BN's）是生成模型。假设你有一组输入，和输出。BN允许您学习联合分布，而不是像逻辑回归或支持向量机（Support Vector Machine）那样对条件分布建模。 $X$ $Y$ $P(X,Y)$ $P(Y|X)$

学习数据的联合概率分布（生成模型）比学习条件概率（区分模型）更加困难。但是，前者提供了更通用的模型，您可以在其中运行诸如或等查询。使用判别模型时，您的唯一目的是学习。 $P(X_1|Y)$ $P(X_1|X_2=A, X_3=B)$ $P(Y|X)$

国阵利用DAG规定联合分布。因此，它们是图形模型。

优点：

当您有很多丢失的数据时，例如在医学中，BN可以非常有效，因为对联合分布进行建模（即您对数据生成方式的断言）可以减少您对完整观察的数据集的依赖。
当您想要以一种视觉上透明的方式为域建模并且还旨在捕获关系时，BN可以非常强大。请注意，国阵的因果关系假设值得商debate。 $\text{cause} \to \text{effect}$
学习联合分布是一项艰巨的任务，尽管要为连续变量建模（通过条件概率表（即CPT）的计算），要比对连续变量进行建模要容易得多。因此，BN实际上在离散变量中更为常见。
BN不仅允许观察推断（如所有机器学习模型所允许的），而且还允许因果干预。这是国行的一个通常被忽视和未被重视的优势，并且与反事实推理有关。

— 朱巴卜
source

1

在优势1中，您说BN对具有很多缺失值的数据建模很有效，这些缺失值不会影响对数据独立性的正确识别吗？

— 侯赛因

1

是的，在拟合模型时，您仍然需要用一些假设来估算，但是一旦有了例如，则取决于DAG的因式分解（封装了独立性假设），如果已经可用，则可能不需要，反之亦然。

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

$P(Y,X_1,X_2)$

X_{1}

$X_1$

X_{2}

$X_2$

— 朱巴卜

1

以我的经验，当存在高维分类数据时，贝叶斯网络可以很好地工作。他们提供了可解释的模型，有时（模型）有助于理解不同变量如何相互作用。

— 黄褐色
source

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.

Licensed under cc by-sa 3.0 with attribution required.