Upload
gautam
View
41
Download
0
Embed Size (px)
DESCRIPTION
A. B. C. Bayes‘sche Netzwerke. Einsatz Bayes‘scher Netzwerke zur Identifikation von Kundenwünschen. Inhaltsübersicht - Rohfassung. Problemstellung Grundlagen der Wahrscheinlichkeitsrechnung Unbedingte / Bedingte Wahrscheinlichkeiten Totale Wahrscheinlichkeit / Bayes‘scher Satz - PowerPoint PPT Presentation
Citation preview
Bayes‘sche Netzwerke Bayes‘sche Netzwerke Einsatz Bayes‘scher Netzwerke Einsatz Bayes‘scher Netzwerke
zur Identifikation von zur Identifikation von KundenwünschenKundenwünschen
AA
BBCC
Inhaltsübersicht - Rohfassung Problemstellung Grundlagen der Wahrscheinlichkeitsrechnung
Unbedingte / Bedingte Wahrscheinlichkeiten Totale Wahrscheinlichkeit / Bayes‘scher Satz Kleines Rechenbeispiel „Interview“
Bayes‘sche Netzwerke Geschichtliches Was ist ein Bayes‘sches Netzwerk / Definition Netzwerkbeispiele Evidenzen D-Separation Kettenregel für Bayes‘sche Netzwerke Beispielrechnung „Startproblem“ Bucket Elimination Einsatzgebiete
Allgemein Identifikation von Kundenwünschen bei Daimler-Benz
Bewertung Das Programm „Bayesware“ Quellenangabe
Grundlagen - Unbedingte/Bedingte WSK
Unbedingte Wahrscheinlichkeit: P(A) Bedingte Wahrscheinlichkeit: P(B|A)
Bezeichnet die Wahrscheinlichkeit des Ereignisses B unter der Bedingung, dass A bereits eingetreten ist
Es gelten folgende Rechenregeln: Allgemeiner Multiplikationssatz für 2 Ereignisse:
Allgemeiner Multiplikationssatz für n Ereignisse:
)()()|( APBAPABP
112131211
|||
nn
n
ii AAAPAAAPAAPAPAP
BAPBPABPAPBAP ||
Grundlagen – Totale WSK / BayesSatz
Formel der totalen Wahrscheinlichkeit:
Der Bayes‘sche Satz:
n
iii APABPBP
1
)(|
n
i ii
kkkkk
APABP
APABP
BP
APABPBAP
1|
|||
Grundlagen - Beispielaufgabe
P(B|A) Auto I Auto II
Mann 0,500 0,333
Frau 0,500 0,666
P(A)
Auto I 0,600
Auto II 0,400
470.0
666.0400.0500.0600.0
666.0400.0
||
||
AutoIIFrauPAutoIIPAutoIFrauPAutoIP
AutoIIFrauPAutoIIPFrauAutoIP
3 Fahrzeuge der Gruppe I (Auto I) mit je 2 männlichen und 2 weiblichen Personen und 2 Fahrzeugen der Gruppe II (Auto II) mit je 1 männlichen und 2 weiblichen Personen stehen zur Verfügung. a) Es wird ein Fahrzeug ausgewählt und daraus eine Person befragt, subjektive Bevorzugung ausgeschlossen. Man ermittle die Wahrscheinlichkeit, dass die befragte Person eine Frau ist.b) Wie groß ist im Fall der Wahl einer weiblichen Person die Wahrscheinlichkeit, dass diese aus einem Fahrzeug der Gruppe II stammt.
a) Formel der totalen Wahrscheinlichkeit:
b) Bayes‘scher Satz:
566.0666.0400.0500.0600.0|| AutoIIFrauPAutoIIPAutoIFrauPAutoIPFrauP
Sei BN ein Bayes‘sches Netzwerk über (vollständiges Ereignissystem). Dann ist die Verbundwahrscheinlichkeitsverteilung P(U) das Produkt aller in BN spezifizierten Potentiale.
Kettenregel für Bayes‘sche Netzwerke
i
ii ApaAPUP |
nAAU ,...,1
iApa ist die Menge aller Elternknoten von .iA
Bayes‘sche Netze - Geschichtliches
Thomas Bayes, ein Priester, schuf mit seinem Werk: „An essay towards solving a problem in the doctrine of chances„ 1763 die Grundlagen
Die Konzepte für die heutige Bayes‘schen Netze (kausale Netzwerke, d-connection, d-separation) kann man auf Judea Pearl zurückführen
In der ersten Hälfte der 1980er wurden Bayes‘sche Netze in das Feld der Expertensysteme eingeführt
Erst am Ende der 1980er existieren erste Real-World-Anwendungen
Thomas Bayes1702-1761
Bayes‘sche Netze - Definition Werden auch als bayesian belief networks,
probabilistic networks, causal networks oder als kausalprobabilistische Netze bezeichnet
Bestehen aus einer Menge von Zufallsvariablen und gerichteten Kanten zwischen den Variablen, die zusammen einen gerichteten azyklischen Graphen (DAG) bilden
Jede Variable hat eine endliche Anzahl von sich gegenseitig ausschließenden Zuständen
Jeder Knoten hat eine Tabelle mit den bedingten Wahrscheinlichkeiten (CPT), die den Einfluss der Elternknoten quantifizieren
Bayes‘sches Netz - Struktur IOhne Tabellen der bedingten Wahrscheinlichkeiten
a)
b)
Bayes‘sches Netz IIMit Tabellen der bedingten Wahrscheinlichkeiten
P ( Startet | Treibstoff? , Zündkerzen )
P ( Tankanzeige | Treibstoff? )
P ( Treibstoff? )
P ( Zündkerzen )
D-Separation - Begriff / Definition
Zwei verschiedene Variablen X und Y sind d-separated (direction-dependent-separated), falls auf allen Pfaden zwischen X und Y eine Variable Z existiert, so dass entweder ... die Verbindung serial oder diverging und Z ein Evidenzknoten
ist oder … die Verbindung converging und weder Z noch Z‘s Nachfahren
Evidenzknoten sind Sind zwei Knoten nicht d-separated, werden sie auch als
d-connected bezeichnet
D-Separation erlaubt eine allgemeine Aussage darüber, ob eine Knotenmenge X unabhängig von einer Knotenmenge Y ist, gegeben eine Evidenzknotenmenge E.
D-Separation - Fallüberblick
Z
Z
Z
X Y
(1) Serial Connection
(2) Diverging Connection
(3) Converging Connection
Folgende drei Verbindungsarten existieren:
D-Separation - Beispiel
A F
B
G
D
C
E
H
Wahre Aussagen:
- FF d-separated von H H bei geg. GG
- FF d-separated von EE bei geg. CC
- AA d-separated von BB
Falsche Aussagen:
- CC d-separated von GG bei geg. F F
- AA d-separated von BB bei geg. DD
- DD d-separated von FF bei geg. C, GC, G
Bayes‘sche Netze - Einsatzgebiete
Medizinische Diagnose (größter Bereich), Erlernen eines Grundrisses oder einer Sprache und als Grundlage für die heuristischen Suche
Die ersten wirklichen Anwendungen in denen Bayes‘sche Netze eingesetzt wurden: MUNIN (Andreassen 1989) – dient zur Diagnose von
neuromuskulären Krankheiten PATHFINDER (Heckermann 1992) – deckt ca. 60
Lymphknotenkrankheiten und 100 Symptome und Testergebnisse ab
Bayes‘sche Netze - Bewertung
Vorteile:Kann sehr gut zur Darstellung von
unsicherem Wissens genutzt werden
Nachteile: Woher weiß man die Wahrscheinlichkeiten?
Von Experten schätzen lassen (unsicher!) Netz mit Testdaten trainieren