Bayesian NetworksIn general, if cer

Bayesian Networks

In general, if certain events are highly correlated, there are many possible explanations. For example, suppose that pens, pencils, and ink are purchased together frequently. It might be the case that the purchase of one of these items (e.g., ink) depends causally upon the purchase of another item (e.g., pen). Or it might be the case that the purchase of one of these items (e.g., pen) is strongly correlated with the purchase of another (e.g., pencil) because there is some underlying phenomenon (e.g., users' tendency to think about writing instruments together) that causally in�?uences both purchases. How can we identify the true causal relationships that hold between these events in the real world?

One approach is to consider each possible combination of causal relationships among the variables or events of interest to us and to evaluate the likelihood of each combination on the basis of the data available to us. If we think of each combination of causal relationships as a model of the real world underlying the collected data, we can assign a score to each model by considering how consistent it is (in terms of probabilities, with some simplifying assumptions) with the observed data. Bayesian networks are graphs that can be used to describe a class of such models, with one node per variable or event, and arcs between nodes to indicate causality. For example, a good model for our running example of pens, pencils, and ink is shown in Figure 24.6. In general, the number of possible models is exponential in the number of variables, and considering all models is expensive, so some subset of all possible models is evaluated.

ผลลัพธ์ (ไทย) 1:

ทฤษฎีเครือข่าย

โดยทั่วไป ถ้าเหตุการณ์บางอย่างจะสูง correlated มีคำอธิบายที่เป็นไปได้มากขึ้น ตัวอย่าง สมมติว่า ปากกา ดินสอ และหมึกซื้อกันบ่อย ๆ มันอาจเป็นกรณีที่ซื้อสินค้าเหล่านี้ (เช่น หมึก) อย่างใดอย่างหนึ่งขึ้นอยู่กับ causally ซื้อสินค้าอื่น (เช่น ปากกา) หรืออาจเป็นกรณีที่การซื้อหนึ่งรายการ (eกรัม ปากกา) เป็นอย่างยิ่ง correlated กับซื้อของอื่น (เช่น ดินสอ) เนื่องจากมีปรากฏการณ์บางแบบ (เช่น ผู้แนวโน้มที่จะคิดเกี่ยวกับการเขียนเครื่องมือเข้าด้วยกัน) ที่ causally ใน? ซื้อ uences ทั้งสอง วิธีสามารถเราระบุความสัมพันธ์เชิงสาเหตุแท้จริงที่เก็บระหว่างเหตุการณ์เหล่านี้ในโลกจริงหรือ?

วิธีการหนึ่งคือ การพิจารณาแต่ละชุดที่เป็นไปได้ของความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรหรือเหตุการณ์ที่น่าสนใจครับ และ เพื่อประเมินความเป็นไปได้ของแต่ละชุดตามข้อมูลที่เรา ถ้าเราคิดว่า แต่ละชุดของความสัมพันธ์เชิงสาเหตุเป็นแบบจำลองโลกจริงต้นข้อมูลที่รวบรวม เราสามารถกำหนดคะแนนให้แต่ละรูปแบบ โดยพิจารณาว่าสอดคล้องกันเป็น (ในแง่ของกิจกรรม มีบางสมมติฐาน simplifying) กับข้อมูลที่พบ ทฤษฎีเครือข่ายเป็นกราฟที่ใช้อธิบายระดับชั้นของแบบจำลองดังกล่าว กับโหนหนึ่งต่อตัวแปร หรือเหตุการณ์ และเส้นโค้งระหว่างโหนส่อ causality ตัวอย่าง แบบจำลองที่ดีของเราเช่นปากกา ดินสอ ทำงาน และหมึกจะแสดงในรูป 24.6 ทั่วไป หมายเลขของแบบจำลองได้เป็นเนนในจำนวนตัวแปร และพิจารณาทุกรุ่นมีราคาแพง เพื่อเป็นประเมินย่อยบางรุ่นเป็นไปได้ทั้งหมด

ผลลัพธ์ (ไทย) 2:

คชกรรมเครือข่ายโดยทั่วไปถ้าเหตุการณ์บางอย่างมีความสัมพันธ์อย่างมีคำอธิบายที่เป็นไปได้หลาย ตัวอย่างเช่นสมมติว่าปากกาดินสอและหมึกที่ซื้อมาด้วยกันบ่อย มันอาจจะมีกรณีที่ซื้อของหนึ่งในรายการเหล่านี้ (เช่นหมึก) ขึ้นอยู่กับเหตุผลที่ซื้อของรายการอื่น (เช่นปากกา) หรือมันอาจจะมีกรณีที่ซื้อของหนึ่งในรายการเหล่านี้ (เช่นปากกา) มีความสัมพันธ์อย่างมากกับการซื้อของอื่น (เช่นดินสอ) เพราะมีบางปรากฏการณ์พื้นฐาน (เช่นแนวโน้มของผู้ใช้ที่จะคิดเกี่ยวกับการเขียนเครื่องมือร่วมกัน ) ว่าเหตุผลอะไรบ้าง? uences ซื้อทั้ง วิธีที่เราสามารถระบุความสัมพันธ์เชิงสาเหตุที่แท้จริงที่ถือระหว่างเหตุการณ์เหล่านี้ในโลกจริงหรือไม่วิธีการหนึ่งคือการพิจารณาแต่ละชุดที่เป็นไปได้ของความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรหรือเหตุการณ์ที่สนใจของเราและเพื่อประเมินความเป็นไปได้ของแต่ละชุดบนพื้นฐานของ ข้อมูลที่มีให้เรา ถ้าเราคิดว่าการรวมกันของความสัมพันธ์เชิงสาเหตุที่เป็นรูปแบบของโลกแห่งความจริงพื้นฐานที่เก็บข้อมูลแต่ละครั้งเราสามารถกำหนดคะแนนให้กับแต่ละรูปแบบโดยพิจารณาวิธีการที่สอดคล้องกันเป็น (ในแง่ของความน่าจะเป็นกับสมมติฐานการลดความซับซ้อนบางอย่าง) กับข้อมูลที่สังเกตได้ . เครือข่ายคชกรรมเป็นกราฟที่สามารถนำมาใช้ในการอธิบายถึงการเรียนของรูปแบบดังกล่าวกับหนึ่งโหนดต่อตัวแปรหรือเหตุการณ์และโค้งระหว่างโหนดเพื่อแสดงอำนาจ ตัวอย่างเช่นเป็นแบบอย่างที่ดีเช่นการทำงานของปากกาดินสอและหมึกที่แสดงในรูปที่ 24.6 โดยทั่วไปจำนวนของรูปแบบที่เป็นไปได้คือการชี้แจงในจำนวนของตัวแปรและพิจารณาทุกรุ่นที่มีราคาแพงเพื่อให้ชุดย่อยของรูปแบบที่เป็นไปได้ทั้งหมดบางส่วนได้รับการประเมิน

ผลลัพธ์ (ไทย) 3:

คชกรรมเครือข่ายทั่วไป ถ้าเกิดเหตุการณ์มีความสัมพันธ์ มีคำอธิบายที่เป็นไปได้หลาย ตัวอย่างเช่น สมมติว่า ปากกา ดินสอ หมึก ซื้อกันบ่อย มันอาจจะเป็นกรณีที่ซื้อหนึ่งในรายการเหล่านี้ ( หมึกเช่น ) ขึ้นอยู่ตามลำพังเมื่อซื้อสินค้าอื่น ( เช่น ปากกา ) หรืออาจเป็นกรณีการซื้อหนึ่งในรายการเหล่านี้ เช่นกรัม , ปากกา ) มีความสัมพันธ์อย่างยิ่งกับการซื้ออีก ( เช่น ดินสอ ) เพราะมีปรากฏการณ์บางอย่างเป็นต้น เช่น ผู้ใช้มีแนวโน้มที่จะคิดเกี่ยวกับการเขียนที่ใช้ร่วมกัน ) ที่ตามลำพังใน� ? uences ทั้งซื้อ วิธีที่เราสามารถระบุความสัมพันธ์เชิงสาเหตุที่แท้จริงที่ถือระหว่างเหตุการณ์ในโลกจริง

วิธีการหนึ่งคือการพิจารณาในแต่ละชุดได้ของความสัมพันธ์เชิงสาเหตุของตัวแปร หรือเหตุการณ์ที่สนใจเราและเพื่อประเมินความเป็นไปได้ของแต่ละชุดบนพื้นฐานของข้อมูลที่สามารถใช้ได้กับเรา ถ้าเราคิดว่า แต่ละชุดของความสัมพันธ์เชิงสาเหตุตามรูปแบบของโลกจริง เป็นต้น รวบรวมข้อมูลเราสามารถกำหนดคะแนนให้แต่ละรุ่น โดยพิจารณาว่าสอดคล้องมัน ( ในแง่ของความน่าจะเป็นกับลการสมมติฐาน ) จากข้อมูล เครือข่ายคชกรรมเป็นกราฟที่สามารถใช้เพื่ออธิบายระดับของรุ่นดังกล่าว กับหนึ่งโหนดต่อตัวแปรหรือเหตุการณ์และส่วนโค้งระหว่างโหนดเพื่อบ่งชี้ว่า . ตัวอย่าง แบบอย่างที่ดี ให้ใช้ เช่น ปากกา ดินสอและหมึกที่แสดงในรูปที่ 24.6 . โดยทั่วไปจำนวนของแบบจำลองที่เป็นไปได้อธิบายในหมายเลขของตัวแปร และพิจารณาทุกรุ่นแพง ดังนั้นบางย่อยของแบบจำลองที่เป็นไปได้ทั้งหมดคือการประเมิน