Apa gunanya model grafis?

8

Saya menghabiskan hari belajar tentang paket bnlearn di R hanya untuk menemukan bahwa model Bayesian tidak bekerja dengan grafik yang tidak terarah. Saya mencoba mempelajari tentang Markov Random Field Network, dan sejauh ini yang dapat saya lakukan adalah membuat struktur grafis menggunakan LASSO grafis.

Dalam grafik terarah, tampaknya ada dua tahap: "pembelajaran struktural" dilakukan oleh beberapa metode, dan kemudian "pembelajaran parameter" dilakukan oleh metode lain. Perasaan saya adalah bahwa pembelajaran parameter memberi tahu Anda tentang bobot tepi antara setiap variabel (fitur) yang termasuk dalam model Anda. Pertanyaan saya adalah ... jadi apa? Apa yang Anda lakukan dengan grafik dengan bobot tepi?

Jika saya memiliki dataset yang diamati oleh fitur, dan simpul grafik saya adalah fitur dari dataset ini (diperoleh dari LASSO grafis yang mencoba mengemulasi kebalikan dari matriks kovarians), apa yang dapat saya pelajari dari ini? Bisakah saya membandingkan kohort data saya (dipisahkan oleh nilai kelas target) dan menetapkan semacam analisis nilai p dengan node? Saya bingung, saya pikir, tentang gambaran besar model grafis.

machine-learning graphical-model parameterization bayesian-network Apakah kamu bercanda?
sumber

Jawaban:

5

Nilai dan kekuatan model grafis dari hubungan probabilistik bersyarat adalah bahwa mereka menyampaikan informasi tentang struktur sebab akibat dan struktur inferensial sistem. Misalnya, hujan atau alat penyiram dapat menyebabkan trotoar basah, tetapi trotoar yang basah tidak dapat menyebabkan hujan atau penyiram. Jika bukti Anda adalah "hujan" dan "bukan penyiram" Anda dapat menyimpulkan hal-hal tertentu. Jika bukti Anda adalah "trotoar basah", Anda dapat menyimpulkan hal-hal lain. Apa yang Anda bisa dan tidak bisa simpulkan ditentukan oleh struktur grafik.

Contoh Anda dari "dataset yang diamati oleh fitur" mungkin atau mungkin tidak cocok untuk grafik probabilistik. Menambahkan ide / metode seperti "nilai-p" hanya akan membingungkan Anda, saya pikir. (Nilai-P berlaku untuk pengujian hipotesis frequentist.) Secara metaforis, Anda menggabungkan apel, jeruk, dan armadillo.

Saya sarankan agar Anda melihat kuliah oleh Judea Pearl ( https://www.youtube.com/watch?v=zHjdd--W6o4 , https://www.youtube.com/watch?v=IiXvpPyhMw8 ) plus kuliah tutorial seperti ini : https://www.youtube.com/watch?v=YvdpnqMRmfk , https://www.youtube.com/watch?v=Xhdpk9HZQuo .

MrMeritology
sumber
Ah, baiklah! Jadi saya menonton keduanya, dan saya perhatikan bahwa semua grafik yang diarahkan berisi simpul hasil, dan ini masuk akal bagi saya (bahwa ada hubungan langsung antara fitur dan hasil, dan antara fitur yang merupakan kombinasi linear dari fitur lainnya, dll. ). Pertanyaan saya sekarang adalah ... bagaimana cara memasukkan node target (hasil) dalam model grafis? Metode kovarians terbalik untuk pembelajaran struktural yang digunakan Markov RFs tidak termasuk target node (kelas hasil) - hanya vektor fitur set pelatihan, dll.
areyoujokingme
Jadi Markov RF menggambarkan hubungan antara fitur, tetapi tidak hubungan fitur dengan variabel kelas prediksi. Jadi apa yang bisa Anda simpulkan selain, mungkin, fitur mana yang paling berpengaruh dibandingkan dengan yang lain?
areyoujokingme