Điểm của mô hình đồ họa là gì?


8

Tôi đã dành cả ngày để tìm hiểu về gói bnlearn trong R chỉ để khám phá ra rằng các mô hình Bayes không hoạt động với các đồ thị vô hướng. Tôi đang cố gắng tìm hiểu về Mạng trường ngẫu nhiên Markov và cho đến nay, tất cả những gì tôi có thể làm là tạo cấu trúc đồ họa bằng LASSO đồ họa.

Trong các biểu đồ có hướng, dường như có hai giai đoạn: "học cấu trúc" được thực hiện bởi một phương thức nào đó, và sau đó "học thông số" được thực hiện bằng phương pháp khác. Ý nghĩa của tôi là việc học thông số cho bạn biết về trọng số cạnh giữa mỗi biến (tính năng) có trong mô hình của bạn. Câu hỏi của tôi là ... vậy thì sao? Bạn làm gì với một đồ thị có trọng lượng cạnh?

Nếu tôi có một tập dữ liệu quan sát theo các tính năng và các nút của biểu đồ của tôi là các tính năng từ tập dữ liệu này (lượm lặt từ LASSO đồ họa đang cố gắng mô phỏng nghịch đảo của ma trận hiệp phương sai), tôi có thể học được gì từ điều này? Tôi có thể so sánh các nhóm dữ liệu của mình (được phân tách bằng giá trị lớp đích) và chỉ định một số loại phân tích giá trị p với các nút không? Tôi bối rối, tôi nghĩ, về bức tranh lớn của các mô hình đồ họa.

Câu trả lời:


5

Giá trị và sức mạnh của các mô hình đồ họa của các mối quan hệ xác suất có điều kiện là chúng truyền tải thông tin về cấu trúc nhân quảcấu trúc suy luận của hệ thống. Ví dụ, mưa hoặc vòi phun nước có thể gây ra vỉa hè ẩm ướt, nhưng vỉa hè ẩm ướt có thể gây ra mưa hoặc phun nước phun. Nếu bằng chứng của bạn là "mưa" và "không phải vòi phun nước", bạn có thể suy ra một số điều. Nếu bằng chứng của bạn là "vỉa hè ẩm ướt", bạn có thể suy ra những điều khác. Những gì bạn có thể và không thể suy ra được xác định bởi cấu trúc của biểu đồ.

Ví dụ của bạn về "bộ dữ liệu quan sát theo tính năng" có thể phù hợp hoặc không phù hợp với biểu đồ xác suất. Việc thêm vào các ý tưởng / phương pháp như "giá trị p" sẽ chỉ làm bạn bối rối, tôi nghĩ vậy. (Giá trị P áp dụng cho kiểm tra giả thuyết thường xuyên.) Nói một cách ẩn dụ, bạn đang kết hợp táo, cam và armadillos.

Tôi đề nghị bạn nên xem các bài giảng của Judea Pearl ( https://www.youtube.com/watch?v=zHjdd--W6o4 , https://www.youtube.com/watch?v=IiXvpPyhMw8 ) cộng với các bài giảng hướng dẫn như thế này : https://www.youtube.com/watch?v=YvdpnqMRmfk , https://www.youtube.com/watch?v=Xhdpk9HZQuo .


À được rồi! Vì vậy, tôi đã xem cả hai và tôi nhận thấy rằng tất cả các biểu đồ được định hướng đều chứa một nút kết quả và điều này có ý nghĩa với tôi (rằng có mối quan hệ trực tiếp giữa các tính năng và kết quả và giữa các tính năng là sự kết hợp tuyến tính của các tính năng khác, v.v. ). Câu hỏi của tôi bây giờ là .. làm thế nào để kết hợp các nút mục tiêu (kết quả) trong các mô hình đồ họa? Phương pháp hiệp phương sai đối với học cấu trúc mà các RF Markov sử dụng không bao gồm nút mục tiêu (lớp kết quả) - chỉ là các vectơ đặc trưng của tập huấn luyện, v.v.
areyoujokingme

Vì vậy, các RF Markov đang mô tả mối quan hệ giữa các tính năng, nhưng không phải là mối quan hệ của các tính năng với biến lớp dự đoán. Vì vậy, những gì bạn thực sự có thể kết luận bên cạnh, có lẽ, tính năng nào có ảnh hưởng nhất so với những người khác?
areyoujokingme
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.