Nó de Rede Bayes

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

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

• Selecionar oportunidades de empréstimo com baixo risco de inadimplência.
• Estimar quando o equipamento precisará de serviço, peças ou substituição, com base na entrada do sensor e registros existentes.
• Resolvendo problemas do cliente por meio de ferramentas de resolução de problemas online.
• Diagnóstico e resolução de problemas de redes de telefone celular em tempo real.
• Avaliar os potenciais riscos e recompensas dos projetos de pesquisa e desenvolvimento, a fim de concentrar os recursos nas melhores oportunidades.

Uma rede bayesiana é um modelo gráfico que exibe variáveis (geralmente referidas como nós) em um conjunto de dados e as independentes probabilísticas ou condicionais entre elas. Relacionamentos causais entre nós podem ser representados por uma rede bayesiana; no entanto, os links na rede (também conhecidos como arcos) não representam necessariamente causa e efeito diretos. Por exemplo, uma rede bayesiana pode ser usada 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 sintomas e doença, conforme exibidas no gráfico, forem verdadeiras. As redes são muito robustas onde as informações estão faltando e fazem a melhor previsão possível usando qualquer informação presente.

Um exemplo básico comum de uma rede bayesiana foi criado por Lauritzen e Spiegelhalter (1988). É muitas vezes referido como o modelo "Ásia" e é uma versão simplificada de uma rede que pode ser usada para diagnosticar novos pacientes de um médico; a direção dos links corresponde aproximadamente à causalidade. Cada nó representa uma faceta que pode estar relacionada à condição do paciente; por exemplo, "Smoking" (Fumar) indica que o paciente é um fumante inveterado e "VisitAsia" mostra se ele visitou a Ásia recentemente. As relações de probabilidade são mostradas pelas ligações entre quaisquer linfonodos; por exemplo, o tabagismo aumenta as chances de o paciente desenvolver bronquite e câncer de pulmão, enquanto a idade parece estar associada apenas à possibilidade de desenvolver câncer de pulmão. Da mesma forma, as anormalidades na radiografia dos pulmões podem ser causadas por tuberculose ou câncer de pulmão, enquanto as chances de um paciente sofrer de falta de ar (dispneia) são aumentadas se também sofrer de bronquite ou câncer de pulmão.

Há várias razões pelas quais você pode decidir usar uma rede bayesiana:

• Ele ajuda você a aprender sobre relacionamentos causais. A partir disso, ele permite entender uma área de problema e prever as consequências de qualquer intervenção.
• A rede fornece uma abordagem eficiente para evitar o superajuste de dados.
• Uma visualização clara das relações envolvidas é facilmente observada

Requisitos.. Os campos de destino devem ser categórico e podem ter um nível de medição de Nominal, Ordinalou Flag. As entradas podem ser campos de qualquer tipo Os campos de entrada contínuos (intervalo numérico) serão categorizados automaticamente; no entanto, se a distribuição for defasada, você poderá obter melhores resultados ao categorizar manualmente os campos usando 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 de Rede Bayesiana.

Exemplo, Um analista para um banco deseja ser capaz de prever clientes, ou clientes em potencial, que provavelmente inadimplentes em seus pagamentos de empréstimo.. É possível usar um modelo de rede bayesiana para identificar as características dos clientes com maior probabilidade de padrão e construir vários tipos diferentes de modelo para estabelecer qual é o melhor em prever possíveis padrões.

Exemplo, Uma operadora de telecomunicações deseja reduzir o número de clientes que deixam o negócio (conhecido como "churn") e atualizar o modelo mensalmente usando dados de cada mês anterior. É possível usar um modelo de rede bayesiana para identificar as características dos clientes com maior probabilidade de perda de clientes e continuar treinando o modelo a cada mês com os novos dados.