Nó Rede Bayesiana

O nó Rede Bayesiana permite que você construa um modelo de probabilidade combinando evidências observadas e registradas com conhecimento do mundo real de "senso comum" para estabelecer a probabilidade de ocorrências usando atributos aparentemente não vinculados. O nó foca nas redes Tree Augmented Naïve Bayes (TAN) e Markov Blanket que são usadas principalmente para classificação.

As redes bayesianas são utilizadas para fazer predições em muitas situações variadas; alguns exemplos são:

• Selecionar oportunidades de empréstimo com baixo risco padrão.
• Estimar quando um equipamento precisará de serviço, peças ou substituição, com base na entrada do sensor e nos registros existentes.
• Resolver problemas do cliente por meio de ferramentas de resolução de problemas online.
• Diagnosticar e resolver problemas de redes de telefonia celular em tempo real.
• Avaliar possíveis riscos e recompensas de projetos de pesquisa e desenvolvimento para focar os recursos nas melhores oportunidades.

Uma rede bayesiana é um modelo gráfico que exibe as variáveis (geralmente referidas como nós) em um conjunto de dados e independências probabilísticas ou condicionais entre elas. Os relacionamentos causais entre os nós podem ser representados por uma rede bayesiana, no entanto, as ligações na rede (também conhecidas como arcos) não representam necessariamente causa e efeito diretos. Por exemplo, uma rede bayesiana pode ser utilizada para calcular a probabilidade de um paciente ter uma doença específica, dada a presença ou ausência de determinados sintomas e outros dados relevantes, se as independências probabilísticas entre os sintomas e a doença forem confirmadas, conforme exibido no gráfico. As redes são muito robustas onde as informações estiverem omissas e fazem a melhor predição possível utilizando qualquer informação que estiver presente.

Um exemplo comum e básico de uma rede bayesiana foi criado por Lauritzen e Spiegelhalter (1988). Ele é geralmente referido como o modelo "Ásia" e é uma versão simplificada de uma rede que pode ser utilizada para diagnosticar novos pacientes de um médico, com a direção das ligações correspondendo quase que à causalidade. Cada nó representa uma máscara que pode se relacionar à condição do paciente, por exemplo, "Smoking" confirma que ele é um fumante, e "VisitAsia" mostra se ele visitou a Ásia recentemente. Os relacionamentos de probabilidade são mostrados pelas ligações entre quaisquer nós, por exemplo, fumar aumenta as chances de o paciente desenvolver bronquite e câncer de pulmão, ao passo que idade parece estar associada apenas à possibilidade de desenvolver câncer de pulmão. Da mesma forma, anormalidades encontradas em uma radiografia dos pulmões podem ser causadas por tuberculose ou câncer de pulmão, ao passo que as chances de um paciente sofrer com falta de ar (dispneia) serão maiores se eles também sofrerem de bronquite ou câncer de pulmão.

Existem várias razões pelas quais você pode decidir utilizar uma rede bayesiana:

• Ela ajuda a aprender sobre relacionamentos causais. A partir disso, ela permite entender uma área do problema e prever as consequências de qualquer intervenção.
• A rede fornece uma abordagem eficaz para evitar super ajuste de dados.
• Uma visualização clara dos relacionamentos envolvidos é facilmente observada.

Requisitos. Os campos de destino devem ser categóricos e podem ter um nível de medição de Nominal, Ordinal ou Flag. As entradas podem ser campos de qualquer tipo. Os campos de entrada contínuos (intervalo numérico) são categorizados automaticamente, no entanto, se a distribuição estiver defasada, será possível obter melhores resultados ao categorizar manualmente os campos utilizando um nó Categorização antes do nó Rede Bayesiana. Por exemplo, use Categorização Ideal, em que o Campo Supervisor é igual ao campo Destino do nó Rede Bayesiana.

Exemplo, Um analista de um banco deseja prever clientes ou possíveis clientes que forem susceptíveis a ficarem inadimplentes na amortização do empréstimo. É possível usar um modelo de rede bayesiana para identificar as características dos clientes com maior probabilidade de inadimplência e construir vários tipos diferentes de modelo para estabelecer qual é o melhor na previsão de potenciais inadimplentes.

Exemplo, Um operador de telecomunicações deseja reduzir o número de clientes que deixam a empresa (conhecido como "migração para o concorrente"), e atualizar o modelo mensalmente utilizando dados de cada mês precedente. É possível usar um modelo de rede bayesiana para identificar as características dos clientes com maior probabilidade de abandono e continuar treinando o modelo a cada mês com os novos dados.