순진한 베이지안 분류기는 클래스 조건부 독립성의 가정을 생성합니다. 즉, 튜플의 클래스 레이블이 주어지면 속성 값이 조건부로 서로 분리된 것으로 간주됩니다. 이것은 평가를 정의합니다.
가정이 참에 영향을 미칠 때 순진한 베이지안 분류기는 다중 분류기와 대조적으로 효과적입니다. 합동 조건부 확률 분포를 나타낼 수 있습니다.
변수의 하위 집합 간에 클래스 조건부 독립성을 나타낼 수 있습니다. 학습이 구현될 수 있는 인과 관계의 그래픽 구조를 지원합니다. 훈련된 베이지안 믿음 네트워크는 분류에 사용됩니다. 베이지안 믿음 네트워크는 믿음 네트워크, 베이지안 네트워크 및 확률 네트워크라고도 합니다.
믿음 네트워크는 방향성 비순환 그래프와 조건부 확률 테이블 그룹을 포함하는 두 가지 구성 요소로 표현됩니다. 방향성 비순환 그래프의 모든 노드는 확률 변수를 정의합니다. 변수는 이산 또는 연속 값일 수 있습니다.
정보에 제공된 특정 속성 또는 관계를 형성하는 것으로 여겨지는 "숨겨진 변수"에 해당할 수 있습니다(예:의료 기록의 경우 숨겨진 변수는 증후군을 나타낼 수 있으며 함께 명확한 질병을 식별하는 여러 증상을 설명할 수 있습니다. ).
다음과 같은 베이지안 신념 네트워크의 특징이 있습니다 -
BBN은 그래픽 모델을 사용하여 특정 도메인의 이전 지식을 캡처하는 방법을 지원합니다. 네트워크는 변수 간의 인과 관계를 암호화하는 데 사용할 수 있습니다.
네트워크를 구축하는 것은 시간이 많이 걸리고 엄청난 노력이 필요할 수 있습니다. 그러나 네트워크의 구조가 결정되었으므로 새 변수를 삽입하는 것은 매우 간단합니다.
베이지안 네트워크는 부적절한 레코드를 처리하는 데 적용됩니다. 속성이 누락된 인스턴스는 속성의 가능한 모든 값에 대한 확률을 합산하거나 통합하여 처리할 수 있습니다.
레코드가 이전 지식과 확률적으로 결합되기 때문에 이 접근 방식은 과적합을 모델링하는 데 강력합니다.
믿음 네트워크는 몇 가지 잘 알려진 문제를 모델링하는 데 사용할 수 있습니다. 예를 들어 유전자를 염색체에 매핑하는 것과 같은 유전적 연관 분석이 있습니다. 베이지안 네트워크에 대한 추론 방식의 유전자 연관 문제를 캐스팅하고 최첨단 알고리즘을 활용하여 분석의 확장성을 크게 향상시켰습니다.
컴퓨터 비전, 이미지 복원, 스테레오 비전, 파일 및 텍스트 분석, 의사결정 지원 시스템, 민감도 분석과 같은 믿음 네트워크의 필요성으로 인해 여러 응용 프로그램이 혜택을 받았습니다. 여러 응용 프로그램을 베이지안 네트워크 추론으로 축소할 수 있는 텍스트는 모든 응용 프로그램에 대해 전문화된 알고리즘을 만들 필요가 없다는 점에서 유익합니다.