Bayes Net 노드

베이지안 네트워크 노드를 사용하면 관측되고 기록된 증거를 "상식적인" 실제 지식과 결합하여 겉보기에 링크되지 않은 속성을 사용하여 발생 가능성을 설정함으로써 확률 모델을 작성할 수 있습니다. 노드는 분류에 주로 사용되는 TAN (Tree Augmented Naïve Bayes) 및 Markov Blanket 네트워크에 초점을 맞춥니다.

베이지안 네트워크는 여러 다양한 상황에서 예측하는 데 사용됩니다. 몇 가지 예는 다음과 같습니다.

낮은 채무 불이행 위험이 있는 대출 기회를 선택합니다.
센서 입력 및 기존 레코드를 기반으로 장비에 서비스, 부품 또는 교체가 필요한 시기를 추정합니다.
온라인 문제점 해결 도구를 통해 고객 문제점 해결
휴대 전화 네트워크를 실시간으로 진단하고 문제점을 해결합니다.
최상의 기회에 자원을 집중하기 위해 연구 개발 프로젝트의 잠재적 위험 및 보상을 평가합니다.

베이지안 네트워크는 데이터 세트의 변수 (종종 노드라고도 함) 와 이들 사이의 확률적 또는 조건부 독립성을 표시하는 그래픽 모델입니다. 노드 간의 인과 관계는 베이지안 네트워크로 표시될 수 있습니다. 그러나 네트워크의 링크 ( 호라고도 함) 가 반드시 직접적인 원인과 결과를 나타내는 것은 아닙니다. 예를 들어, 베이지안 네트워크는 그래프에 표시된 바와 같은 증상과 질병 사이의 확률적 독립성이 참인 경우, 특정 증상 및 기타 관련 데이터의 존재 또는 부재를 고려하여 특정 질병을 갖는 환자의 확률을 계산하는 데 사용될 수 있습니다. 네트워크는 정보가 누락되어 있는 경우 매우 강력하며 존재하는 정보를 사용하여 가능한 최상의 예측을 작성합니다.

베이지안 네트워크의 일반적이고 기본적인 예는 Lauritzen및 Spiegelhalter (1988) 에 의해 작성되었습니다. 종종 "아시아" 모델이라고도 하며 의사의 새 환자를 진단하는 데 사용할 수 있는 네트워크의 단순화된 버전입니다. 링크의 방향은 대략적으로 인과관계에 해당합니다. 각 노드는 환자의 상태와 관련이 있을 수 있는 측면을 나타냅니다. 예를 들어, "흡연"은 흡연이 확인되었다는 것을 나타내고, " "VisitAsia" "는 최근에 아시아를 방문했는지를 보여줍니다. 확률 관계는 임의의 노드 사이의 링크에 의해 표시됩니다. 예를 들어, 흡연은 환자가 기관지염과 폐암 둘 다에 걸릴 가능성을 증가시키는 반면, 나이는 폐암 발생 가능성과만 관련이 있는 것으로 보입니다. 동일한 방식으로, 폐의 x-레이 상의 이상은 결핵 또는 폐암에 의해 야기될 수 있는 반면, 호흡 곤란 (호흡곤란) 을 앓고 있는 환자가 기관지염 또는 폐암을 앓고 있는 경우에는 증가된다.

그림 1. Lauritzen및 Spegelhalter의 아시아 네트워크 예

베이지안 네트워크를 사용하기로 결정할 수 있는 몇 가지 이유가 있습니다.

이는 인과 관계에 대해 학습하는 데 도움이 됩니다. 이를 통해 문제 영역을 이해하고 개입의 결과를 예측할 수 있습니다.
네트워크는 데이터 과적합을 방지하기 위한 효율적인 접근 방식을 제공합니다.
관련된 관계의 명확한 시각화가 쉽게 관찰됩니다.

요구사항. 대상 필드는 범주형이어야 하며 명목, 순서또는 플래그의 측정 수준을 가질 수 있습니다. 입력은 모든 유형의 필드일 수 있습니다. 연속형 (숫자 범위) 입력 필드는 자동으로 구간화되지만 분포가 비대칭인 경우 베이지안 네트워크 노드 이전에 구간화 노드를 사용하여 필드를 수동으로 구간화하면 더 나은 결과를 얻을 수 있습니다. 예를 들어, 감독자 필드 가 베이지안 네트워크 노드 목표 필드와 동일한 최적 구간화를 사용하십시오.

예제. 은행의 분석가는 대출 상환에서 채무 불이행 가능성이 높은 고객 또는 잠재 고객을 예측할 수 있기를 원합니다. 베이지안 네트워크 모델을 사용하여 가장 채무 불이행 가능성이 높은 고객의 특성을 식별하고 잠재적 채무 불이행자를 예측하는 데 가장 적합한 모델을 설정하기 위해 여러 가지 다른 유형의 모델을 빌드할 수 있습니다.

예제. 통신 운영자는 비즈니스를 떠나는 고객 수 ("이탈" 이라고 함) 를 줄이고 각 이전 월의 데이터를 사용하여 월별 기준으로 모델을 업데이트하려고 합니다. 베이지안 네트워크 모델을 사용하여 이탈할 가능성이 가장 높은 고객의 특성을 식별하고 새 데이터를 사용하여 매월 모델 훈련을 계속할 수 있습니다.