Primero, aclara con los términos:
Red bayesiana:
Una red bayesiana , red Bayes , red de creencias , modelo Bayes (ian) o modelo gráfico acíclico dirigido probabilístico es 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 ( TROZO DE CUERO).
- Cómo usar el procesamiento del lenguaje natural (PNL) para resumir un documento en una serie de ideas principales
- ¿Cuáles son algunas iniciativas de aprendizaje automático sobre datos sociales?
- Cómo configurar datos de entrenamiento para una red neuronal para generar valores de joystick basados en una entrada de imagen
- ¿Se pueden describir las redes adversas generativas como un método de entrenamiento en el que se aprende la función de pérdida en lugar de seleccionarse manualmente?
- ¿Cómo combino análisis de series temporales y regresión lineal?
Explicando:
“Explicar” es un patrón común de razonamiento en el que la confirmación de una causa de un evento observado o creído reduce la necesidad de invocar causas alternativas. También ocurre lo contrario de explicar, donde la confirmación de una causa aumenta la creencia en otra. Se proporciona un análisis probabilístico cualitativo general del razonamiento intercausal y se identifica la propiedad de la interacción entre las causas (sinergia del producto) que determina qué forma de razonamiento es apropiada.
Bueno.
Ahora considere el primer diagrama:
En el primer ejemplo, observe que dos causas compiten para explicar los datos observados. En el ejemplo, el panel solar y la caldera dependen condicionalmente dado que ambos causan el resultado común, agua caliente. Por lo tanto, el Panel Solar y la Caldera dependen condicionalmente, siempre que ambos causen el mismo resultado, se observa agua caliente, aunque se muestran marginalmente independientes. Sin embargo, supongamos que obtenemos agua caliente y sabemos que la caldera está encendida, entonces la probabilidad posterior de que el panel solar esté encendido disminuye y viceversa.
Esto se llama “explicar lejos”. En las estadísticas se llama sesgo de selección.
Las redes de Bayes a menudo se denominan modelos “generativos”, porque especifican cómo las causas generan efectos.
Ahora considere el segundo diagrama:
Aquí el agua se hierve en la caldera cuando solo está encendido el panel solar. La caldera depende del panel solar. Este no es un ejemplo de “explicación”.
Considere un caso, el panel solar está encendido, por lo que la caldera también se encenderá y el agua caliente que obtuvimos es el resultado de ambas causas. Y, consideremos cuando la caldera está encendida. No, no puede continuar, depende del panel solar. Como la probabilidad de ambas causas depende una de la otra o varía entre sí a pesar de parecer dos eventos independientes. Pero, dos eventos no son independientes. Por lo tanto, no es un ejemplo de “explicación”
