¿Cuál es la diferencia entre una red bayesiana y una red neuronal artificial?

Intentaré responder a esta pregunta desde un punto de vista básico para que cualquier persona que no sea de informática también obtenga algo de esta lectura. Antes de sumergirse directamente en las redes bayesianas y neuronales, primero tengamos una comprensión básica de la Clasificación.

La clasificación es el proceso de categorizar un grupo de objetos básicos sobre la base de algunas características de datos que los describen. Actualmente hay muchos clasificadores:

• Redes bayesianas
• Regresión logística
• Máquinas de vectores de soporte
• Redes neuronales, etc.

Las redes neuronales son un enfoque computacional que se basa en una gran colección de unidades neuronales que modelan libremente la forma en que un cerebro biológico resuelve problemas con grandes grupos de neuronas biológicas conectadas por axones. Las redes neuronales son bases de redes altamente estructuradas y tienen tres tipos de capas: una entrada, una salida, y las llamadas capas ocultas, que se refieren a cualquier capa entre las capas de entrada y salida. Cada nodo (también llamado neurona) en las capas ocultas y de salida tiene un clasificador.

Redes bayesianas , es un modelo gráfico acíclico dirigido probabilístico, un modelo gráfico probabilístico (un tipo de modelo estadístico) que representa un conjunto de variables aleatorias y sus dependencias condicionales a través de un gráfico acíclico dirigido. Por ejemplo, una red bayesiana podría representar las relaciones probabilísticas entre enfermedades y síntomas. Dados los síntomas, la red se puede usar para calcular las probabilidades de la presencia de diversas enfermedades.

Similitudes

• Ambos usan gráficos dirigidos.
• Ambos se utilizan como algoritmos clasificadores.

Las diferencias

• En las redes bayesianas, la representación visual del gráfico que es vértices y bordes tiene significado. La estructura de la red en sí misma le brinda información valiosa sobre la dependencia condicional entre las variables. Con Neural Networks la estructura de la red no te dice nada.
• Las redes bayesianas representan relaciones de independencia (y dependencia) entre variables. Por lo tanto, los enlaces representan relaciones condicionales en sentido probabilístico. Las redes neuronales, en general, no tienen esa interpretación directa y, de hecho, los nodos intermedios de la mayoría de las redes neuronales son características descubiertas, en lugar de tener un predicado asociado con ellas por derecho propio.
• Las redes bayesianas son generalmente más simples en comparación con las redes neuronales, con muchas decisiones sobre capas ocultas, topología y variantes.

Una posible razón para elegir redes neuronales artificiales (ANN) sobre redes bayesianas es la posibilidad que mencionó: correlaciones entre las variables de entrada. Las redes bayesianas como Naive bayes asumen que todas las variables de entrada son independientes. Si esa suposición no es correcta, puede afectar la precisión del clasificador Naive Bayes. Un ANN con la estructura de red adecuada puede manejar la correlación / dependencia entre las variables de entrada.

Las BBN usan el teorema de Bayes y la regla de la cadena para calcular los problemas posteriores, y los algoritmos hybird