Bayesian Networks: บทนำ ตัวอย่าง และการใช้งานจริง

ผู้ที่เคยทำงานกับข้อมูลหรือสถิติล้วนทราบสิ่งหนึ่งอย่างแน่นอน: ความสัมพันธ์ไม่จำเป็นต้องหมายถึงหรือบอกเป็นนัยถึงสาเหตุ แม้ว่าสิ่งนี้อาจฟังดูชัดเจน แต่อาจทำให้คุณตกใจเมื่อรู้ว่าข้อผิดพลาดส่วนใหญ่ในข้อมูลเกิดขึ้นเนื่องจากความสับสนระหว่างคำสองคำ โดยหลักแล้วเนื่องจากสะดวกที่จะกำหนดความสัมพันธ์ แต่ก็แทบจะเป็นไปไม่ได้เลยที่จะกำหนดหรือหาปริมาณของสาเหตุ

อันที่จริง Judea Pearl ผู้เขียน Causality: Models, Reasoning และ Inference กล่าวไว้ในหนังสือว่ามนุษย์มุ่งเน้นความพยายามทางคณิตศาสตร์ของพวกเขาในการอนุมานความน่าจะเป็นและทางสถิติ โดยปล่อยให้การพิจารณาเชิงสาเหตุ “อยู่ในความเมตตาของสัญชาตญาณและการตัดสินที่ดี” เขาบอกว่านี่เป็นปัจจัยสำคัญที่เรายังล้าหลังอย่างมากในแง่ของความก้าวหน้าทางวิทยาศาสตร์

นี่คือช่วงเวลาที่ Bayesian Networks ทำให้มันง่ายสำหรับเรา สิ่งเหล่านี้ช่วยให้เราแยกแยะความสัมพันธ์จากสาเหตุโดยทำให้เรามองเห็นสาเหตุอิสระต่างๆ ได้ในคราวเดียว ทั้งหมดนี้ทำได้อย่างแม่นยำเนื่องจากอัลกอริธึมการเรียนรู้ของเครื่องไม่ทำงานบนอัตวิสัยหรือสัญชาตญาณ พวกเขาทำงานกับข้อมูล

มาดูตัวอย่างเพื่อทำความเข้าใจว่า Bayesian Networks ทำงานอย่างไร

ตัวอย่าง Bayesian Networks

เพื่อประโยชน์ของตัวอย่างนี้ ให้เราสมมติว่าโลกนี้เป็นโรคที่หายากมากแต่ถึงขั้นเสียชีวิต บอกว่ามีโอกาส 1 ใน 1000 ที่คุณจะติดโรคนี้

ทีนี้ เพื่อหาว่ามีใครบางคนกำลังเป็นโรคนี้อยู่หรือไม่ แพทย์จึงทำการทดสอบ สิ่งที่จับได้คือความแม่นยำเพียง 99% เท่านั้น

คุณจะรู้ได้อย่างไรว่าคุณมีโรคหรือไม่? การทดสอบอื่นจะส่งผลต่อผลลัพธ์หรือไม่?

มาดูกันว่าจะเกิดอะไรขึ้นเมื่อคุณทำ...

ทดสอบ 1

เนื่องจากโรคนี้ส่งผลกระทบเพียง 1 ใน 1,000 ความน่าจะเป็นที่คุณจะติดเชื้อคือ:

โรค CPT (ตารางความน่าจะเป็นแบบมีเงื่อนไข)

เห็นได้ชัดว่า 1 ใน 1,000 มีโอกาสเป็นโรคนี้ 999 ใน 1,000 ก็ปลอดจากโรคเช่นกัน

ในทำนองเดียวกัน เราจะสร้างตารางเพื่อคำนวณความน่าจะเป็นของการทดสอบ อย่างที่บอกไปก่อนหน้านี้ว่าหากทดสอบในความแม่นยำเพียง 99% นั่นหมายความว่ามีโอกาสเพียง 99% ที่ผลลัพธ์จะเป็นจริง กรณีที่คล้ายกันกับผลลัพธ์เชิงลบ

Test1 CPT (ตารางความน่าจะเป็นแบบมีเงื่อนไข)

ตอนนี้ เรามาพลอตกราฟเพื่อดูว่าการมีอยู่ของโรคได้รับผลกระทบจากผลการทดสอบอย่างไร

การเติมเซลล์เหล่านี้ด้วยผลการทดสอบจะให้ผลลัพธ์ต่อไปนี้แก่ฉัน

ที่มาของภาพ

อย่างที่คุณเห็น หากผลการทดสอบออกมาเป็นบวก มีโอกาสเพียง 9% ที่คุณจะเป็นโรคนี้

แล้วเราได้เบอร์นี้มาได้ยังไง?

ทฤษฎีบทเบย์!

ที่มาของภาพ

ในตัวอย่างของเรา

P(H|E) = P(H) x P(E|H) / P(E)

• P(H|E) = P(H) x P(E|H) / {P(E|H) x P(H) + P(E|Hc) x P(Ec)}
• P(H|E) = (0.99 x 0.001) / (0.001 x 0.99 + 0.999 x 0.01) = 0.9 = 9%

สิ่งนี้บอกอะไรเรา?

แม้ว่าการทดสอบจะเป็นบวก เนื่องจากโรคหายาก จึงมีโอกาสเกิดโรคเพียง 9%

ดังนั้น จะเกิดอะไรขึ้นเมื่อคุณทำการทดสอบอีกครั้งเพื่อให้แน่ใจ และผลก็ออกมาในเชิงบวกเช่นกัน

อ่าน: แนวคิดโครงการแมชชีนเลิร์นนิงสำหรับผู้เริ่มต้น

ทดสอบ2

อีกครั้ง การทดสอบครั้งที่สองจะมีความแม่นยำเพียง 99% เช่นกัน

เครือข่ายเบย์เซียนในตอนนี้จะเป็น:

ที่มาของภาพ

ผลลัพธ์กลับกลายเป็น!

ซึ่งหมายความว่าหากคุณได้รับผลบวกสองครั้งจากการทดสอบสองครั้ง โอกาสในการติดไวรัสจะเพิ่มขึ้นจาก 9% เป็น 91% แต่ย้ำว่าไม่ 100%!

ทีนี้จะเกิดอะไรขึ้นถ้าคุณได้รับผลบวกหนึ่งผลและผลลบหนึ่งรายการจากการทดสอบ

ที่มาของภาพ

อย่างที่คุณเห็น มีโอกาส 100% ที่คุณจะไม่มีโรคนี้ ในกรณีที่การทดสอบหนึ่งในสองรายการเป็นลบ

ทดสอบ 3

มันจะดียิ่งขึ้นไปอีกเมื่อคุณทำการทดสอบสามครั้งและการทดสอบทั้งหมดนั้นเป็นจริง

ที่มาของภาพ

เห็นได้ชัดว่าตอนนี้มีโอกาส 100% ที่คุณจะติดเชื้อ

ทีนี้มาดูกันว่าจะเกิดอะไรขึ้นเมื่อการทดสอบอันใดอันหนึ่งเป็นลบ แต่อีกสองอันเป็นบวก

ที่มาของภาพ

อีกครั้ง ผลลัพธ์เป็นบวก 91% สำหรับการมีอยู่ของไวรัส

เครือข่ายเบย์เซียนและการสร้างแบบจำลองข้อมูล

ในตัวอย่างข้างต้น จะเห็นได้ว่า Bayesian Networks มีบทบาทสำคัญในการสร้างแบบจำลองข้อมูลเพื่อให้ได้ผลลัพธ์ที่แม่นยำ

ที่จริงแล้ว การปรับแต่งเครือข่ายโดยรวมปัจจัยอื่นๆ ที่อาจส่งผลต่อผลลัพธ์ยังช่วยให้เราเห็นภาพและจำลองสถานการณ์ต่างๆ โดยใช้ Bayesian Networks

Bayesian Networks เป็นเครื่องมือที่ยอดเยี่ยมในการวัดค่าความไม่เป็นธรรมในข้อมูลและเทคนิคการดูแลจัดการเพื่อลดความไม่เป็นธรรมนี้

ในกรณีเช่นนี้ เป็นการดีที่สุดที่จะใช้เทคนิคเฉพาะเส้นทางเพื่อระบุปัจจัยที่ละเอียดอ่อนที่ส่งผลต่อผลลัพธ์สุดท้าย

5 อันดับแอปพลิเคชั่นที่ใช้งานได้จริงของ Bayesian Networks

Bayesian Networks มีการใช้กันอย่างแพร่หลายในด้านวิทยาศาสตร์ข้อมูลเพื่อให้ได้ผลลัพธ์ที่แม่นยำพร้อมข้อมูลที่ไม่แน่นอน

แอพพลิเคชั่นของ Bayesian Networks

1. ตัวกรองสแปม

คุณต้องโกหกแน่ๆ ถ้าคุณบอกว่าคุณไม่เคยสงสัยเลยว่า Gmail กรองอีเมลขยะอย่างไร (อีเมลที่ไม่พึงประสงค์และไม่พึงประสงค์ โดยใช้ตัวกรองสแปม Bayesian ซึ่งเป็นตัวกรองที่มีประสิทธิภาพสูงสุด

2. รหัสเทอร์โบ

Bayesian Networks ใช้เพื่อสร้างรหัสเทอร์โบซึ่งเป็นรหัสแก้ไขข้อผิดพลาดที่ส่งต่อประสิทธิภาพสูง สิ่งเหล่านี้ใช้ในเครือข่ายมือถือ 3G และ 4G

3. การประมวลผลภาพ

Bayesian Networks ใช้การคำนวณทางคณิตศาสตร์เพื่อแปลงรูปภาพให้อยู่ในรูปแบบดิจิทัล นอกจากนี้ยังช่วยให้การปรับปรุงภาพ

4. การตรวจสอบทางชีวภาพ

การหาปริมาณความเข้มข้นของสารเคมีไม่สามารถทำได้ง่ายไปกว่านี้ด้วย Bayesian Networks ในสิ่งนี้ ปริมาณเลือดและเนื้อเยื่อในมนุษย์วัดโดยใช้ตัวชี้วัด

5. เครือข่ายการกำกับดูแลยีน (GNR)

GNR ประกอบด้วยส่วนดีเอ็นเอต่างๆ ของเซลล์ที่มีปฏิสัมพันธ์กับเนื้อหาของเซลล์อื่นๆ ผ่านผลิตภัณฑ์การแสดงออกของโปรตีนและอาร์เอ็นเอ การคาดการณ์พฤติกรรมสามารถวิเคราะห์ได้โดยใช้ Bayesian Networks

บทสรุป

ในบล็อกโพสต์ออนไลน์นี้ คุณได้เรียนรู้ว่า Bayesian Networks ช่วยให้เราได้รับผลลัพธ์ที่ถูกต้องจากข้อมูลที่มีอยู่ได้อย่างไร แม้แต่ข้อมูลที่มีความแปรผันเพียงเล็กน้อยก็อาจส่งผลกระทบอย่างมีนัยสำคัญต่อผลลัพธ์สุดท้าย Bayesian Networks ช่วยเราวิเคราะห์ข้อมูลโดยใช้สาเหตุแทนที่จะเป็นแค่ความสัมพันธ์

พวกเขาได้พิสูจน์แล้วว่าเป็นการปฏิวัติในสาขาวิทยาศาสตร์ข้อมูล เห็นได้ชัดว่าการประกอบอาชีพด้านวิทยาศาสตร์นี้สามารถช่วยให้คุณได้งานในฝัน ดังนั้น ลงทะเบียนหนึ่งในหลักสูตรของเราในด้านวิทยาศาสตร์ข้อมูลและเรียนรู้จากผู้เชี่ยวชาญ! นอกจากนี้เรายังให้การสนับสนุนด้านอาชีพฟรีจากที่ปรึกษาด้านอาชีพชั้นนำและมีประสบการณ์ ดาวน์โหลดโบรชัวร์เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับหลักสูตร

หากคุณต้องการทราบข้อมูลเพิ่มเติมเกี่ยวกับอาชีพในแมชชีนเลิร์นนิงและปัญญาประดิษฐ์ โปรดดูที่ IIT Madras และการรับรองขั้นสูงของ upGrad ในการเรียนรู้ของเครื่องและคลาวด์