Beruflich Dokumente
Kultur Dokumente
Un factor corresponde a la probabilidad de un conjunto de variables dadas las variables ocultas Se representa por una tabla que para cada combinaci on de variables ocultas da la probabilidad de las variables del factor Y Z C C 0.2 fX (Y , Z )= C F 0.4 F C 0.8 F F 0.6 Los factores tienen dos operaciones: suma y producto
Razonamiento Aproximado
IA - Curso 2005/2006
29 / 39
Redes Bayesianas
Suma de Factores
La suma se aplica a un factor y sobre una variable oculta del factor. Como restado obtenemos una matriz reducida en la que las las del mismo valor se han acumulado Y fX Z (Y ) = Z fX (Y , Z )= C 0.6 F 1.4 Es igual que una operaci on de agregaci on sobre una columna en bases de datos
Razonamiento Aproximado
IA - Curso 2005/2006
30 / 39
Redes Bayesianas
Producto de Factores
El producto de factores permite juntar varios factores entre ellos utilizando las variables ocultas comunes Y C C F F fX1 X2 (Y , W , Z ) = fX1 (Y , Z ) fX2 (Z , W )= Z Z W Y Z W C 0.2 C C 0.3 C C C 0,2 0,3 F 0.8 C F 0.7 C C F 0,2 0,7 C 0.4 F C 0.1 C F C 0,8 0,1 F 0.6 F F 0.9 C F F 0,8 0,9 F C C 0,4 0,3 F C F 0,4 0,7 F F C 0,6 0,9 F F F 0,6 0,3
Es igual que una operaci on de join en una base de datos multiplicando los valores de las columnas de datos
Javier B ejar (LSI - FIB - UPC) Razonamiento Aproximado IA - Curso 2005/2006 31 / 39
Redes Bayesianas
P (D = n, A, S , F , I = s )
P (A)
S {a,n}
P (S |D = n, A)P (F )P (I = s |S , F )
Razonamiento Aproximado
IA - Curso 2005/2006
32 / 39
Redes Bayesianas
La variable fumador (P (F )) no depende de ninguna otra variable, al ser la variable que preguntamos el factor incluye todos los valores F fF (F )= s n
Javier B ejar (LSI - FIB - UPC)
0.4 0.6
IA - Curso 2005/2006 33 / 39
Razonamiento Aproximado
Redes Bayesianas
Al ser la variable Presi on Sanguinea una variable oculta debemos acumular todos los factores que hemos calculado fS (S , A) fF (F ) fI (S , F )
Razonamiento Aproximado
IA - Curso 2005/2006
34 / 39
Redes Bayesianas
F s n s n
0.80.4 0.70.6 0.60.4 0.30.6 A e e e e e e e e 0.80.40.25 0.80.40.7 0.70.60.25 0.70.60.7 0.60.40.75 0.60.40.3 0.30.60.75 0.30.60.3
IA - Curso 2005/2006 35 / 39
Redes Bayesianas
Y ahora sumamos sobre todos los valores de la variable S para obtener el factor correspondiente a la variable Presi on Sanguinea fFI S (F , A) = S {a,n} fFIS (S , F , A) = A e 0.80.40.25 + 0.60.40.75 = 0.26 e 0.80.40.7 + 0.60.40.3 = 0.296 e 0.70.60.25 + 0.30.60.75 = 0.24 e 0.70.60.7 + 0.30.60.3 = 0.348
F s s n n
Razonamiento Aproximado
IA - Curso 2005/2006
36 / 39
Redes Bayesianas
Ahora debemos acumular todos los factores calculados F s fAFI S (A) = fA (A) fFI S (F , A)= s n n A e e e e 0.260.4 = 0.104 0.2960.6 = 0.177 0.240.4 = 0.096 0.3480.6 = 0.208
Razonamiento Aproximado
IA - Curso 2005/2006
37 / 39
Redes Bayesianas
Y por u ltimo la variable Deporte (P (D = n)) tiene el valor jado a no y dado que no depende de la variable fumador se puede obviar, ya que es un factor constante. Ahora, si normalizamos a 1 F P (F |I = s , D = n) = S n
0.48 0.52
Razonamiento Aproximado
IA - Curso 2005/2006
38 / 39
Redes Bayesianas
La complejidad del algoritmo de eliminaci on de variables depende del tama no del mayor factor, que depende del orden en el que se eval uan las variables y la topolog a de la red El orden de evaluaci on que escogeremos ser a el topol ogico seg un el grafo La complejidad de la inferencia exacta es NP-hard en el caso general Si la red bayesiana cumple que para cada par de nodos hay un u nico camino no dirigido (poli arbol) entonces se puede calcular en tiempo lineal Para obtener resultados en el caso general se recurre a algoritmos aproximados basados en t ecnicas de muestreo
Razonamiento Aproximado
IA - Curso 2005/2006
39 / 39
Summary
Bayesian networks provide a natural representation for (causally induced) conditional independence. Topology + CPTs = compact representation of joint distribution. Generally easy for domain experts to construct.