¿Por qué el enfoque bayesiano es más popular hoy en día que Fuzzy Logic?

A2A.

Buena pregunta. ¿Quieres algunas nociones generales?

Por ejemplo, hasta este mes, podríamos haber dicho porque Lotfi está aquí y Thomas se fue hace mucho tiempo. En esa misma línea, el trabajo de Lotfi fue del siglo XX. El reverendo estuvo aquí hace mucho tiempo.

Eso no es broma. Sin embargo, echemos un vistazo a estos dos, de nuevo (Thomas Bayes y Lotfi A. Zadeh). Thomas, siendo el primero, permitió una forma de aprender. El principal problema hasta la última parte del siglo XX, esta pequeña parte del siglo XXI, fue que hacer los cálculos no fue fácil. Y, la computadora lo hizo fácil. Intimidar por nosotros. También trajo un montón de basura que se discutirá bajo crapularidad.

De acuerdo, la pequeña parte de Thomas se ve realmente poderosa. Dios sabe que todos, y su perro, han corrido tras el reverendo.

Pero, Lotfi al rescate. Anteriormente, había esta pregunta: ¿Cuál es la conexión, si hay algo entre el razonamiento bayesiano y la lógica no monotónica? La respuesta analiza la diferencia entre Thomas y Andrey (Markov) y señala una discusión necesaria sobre calificación, marco y ramificación.

‘marco’ es la clave. De alguna manera, la gente piensa que el giro numérico supera ese problema. Ja, gente.

Entonces, usemos fuzzify. Verá, siempre existe el problema de configurar un espacio problemático antes de hacer un cálculo, entonces uno tiene que manejar los resultados. Es decir, todos los principales sistemas de computación hacen este gran momento.

Y, gente, ¿se ha condensado en un mero ML y relacionado? Sheesh

Hay matices, pero solo hablemos de entrada y salida (donde hemos descendido a CICO: crap in y crap out). La entrada es anterior; la salida es posterior (ya sabe, esto evita mirar los problemas del modelo en sí, así como la totalidad del espacio de parámetros … y más).

Entonces, con el esquema de Lotfi, uno tenía que expresar las cosas de tal manera que el sistema difuso pudiera agitarse. Llame a eso ‘fussificación’ (¿de acuerdo?). ¿De cuántas maneras se puede difuminar? Bueno, adivina qué, para cualquier cosa no simple, es difícil.

Después del hecho, obtienes alguna respuesta en el reino borroso. Qué significa eso? Bueno, tienes que desenmascarar. Y, ¿eso es algo meramente inverso, una simple inversión, o qué? Para cualquier cosa importante, los cerebros grandes tienen que reflexionar sobre esto y más.

En resumen, el pequeño romance de Thomas desaparecerá. Después de todo, él se revuelve en su tumba cuando una cantidad impía de tiempo, energía y poder de la computadora hacen un mal uso de sus ideas. Luego, volvemos a cosas como Lotfi, John (McCarthy) y muchos otros.

No alardear, aún, ML y DL, personas.

—-

Editar (22/10/2017): muchos ven ‘marco’ y más, ya sea como relacionado con la lógica o con ciertos tipos de eventos computacionales. Veo que fue existencial y en gran parte parte de la resolución de problemas: vea El ‘marco’ de esto por John M. Switlik en Psyche-ether. Hay mucho más que eso. Desafortunadamente, la física tiene poco uso para esto. Pero, ¿quién dijo que la física define la vida? ¿Y conciencia? ¿Qué aplicamos a la informática? ¿Y cuál creemos que podemos imitar? Sí, el marco trae la verdadera discusión de indecidible (no es académico, de ninguna manera).

Broma de introducción: porque Bayes era un chico más popular que Fuzz. La vida de Fuzz es realmente bastante borrosa. De hecho, nadie está seguro de si existe.

Lo siento, no pude resistirme. No existe tal dicotomía entre Fuzzy Logic y los métodos bayesianos. Fuzzy Logic (FL) hace lo que hace y es útil para lo que hace. Los métodos bayesianos hacen algo completamente diferente y se usan para propósitos completamente diferentes.

Fuzzy Logic es una lógica. El razonamiento bayesiano es la teoría de la probabilidad. Uno intenta enumerar todas las posibilidades con fuerza bruta (bayesiano) mientras que el otro intenta modelar posibilidades utilizando operaciones lógicas (FL). FL requiere un modelo experto. Los métodos bayesianos se pueden usar para construir modelos basados ​​en datos.

[Advertencia: contiene opiniones fuertes.]

La lógica difusa, al final del día, era más o menos un enfoque orientado a la heurística para lidiar con la incertidumbre.

Si va a lidiar con la incertidumbre, ¿por qué no hacerlo con una base teórica sólida donde pueda probar las propiedades clave de su sistema y desarrollar algoritmos escalables que puedan hacer lo correcto (por ejemplo, la simulación de Monte Carlo)? Eso es lo que ofrecen los enfoques bayesianos.

Principalmente porque el enfoque bayesiano da mejores resultados. Además, el enfoque bayesiano tiene más principios, lo que significa que es consistente con la teoría matemática.

La lógica difusa es un concepto más general, y puede incluir el enfoque bayesiano como un subconjunto. Pero la gente prefiere el enfoque bayesiano porque se basa en fundamentos teóricos muy sólidos y tiene algunas propiedades agradables, que pueden estar ausentes en la lógica difusa en general.