बेजियन बिलीफ नेटवर्क (Bayesian Belief Networks)
नाइव बेजियन क्लासिफायर क्लास सशर्त स्वतंत्रता की धारणा बनाता है, यानी, एक टुपल के क्लास लेबल दिए जाने पर, विशेषताओं के मूल्यों को एक-दूसरे से सशर्त रूप से स्वतंत्र माना जाता है। यह गणना को सरल बनाता है।
जब धारणा सही होती है, तो नाइव बेजियन क्लासिफायर कई क्लासिफायर की तुलना में कुशल होता है। बेजियन बिलीफ नेटवर्क संयुक्त सशर्त प्रायिकता वितरण को परिभाषित करते हैं।
विशेषताएं
वे चरों के उपसमूहों के बीच क्लास सशर्त स्वतंत्रताओं को दर्शाने में सक्षम बनाते हैं। वे कारण संबंधों की एक ग्राफिकल संरचना का समर्थन करते हैं, जिस पर अधिगम लागू किया जा सकता है। प्रशिक्षित बेजियन बिलीफ नेटवर्क का उपयोग क्लासिफिकेशन के लिए किया जाता है। बेजियन बिलीफ नेटवर्क को बिलीफ नेटवर्क, बेजियन नेटवर्क, और प्रोबेबिलिस्टिक नेटवर्क भी कहा जाता है।
विश्वास नेटवर्क के घटक
एक विश्वास नेटवर्क दो घटकों द्वारा दर्शाया जाता है: एक निर्देशित चक्रीय ग्राफ और सशर्त प्रायिकता तालिकाओं का एक समूह। निर्देशित चक्रीय ग्राफ में प्रत्येक नोड एक यादृच्छिक चर को परिभाषित करता है। चर असतत- या सतत-मूल्यवान हो सकते हैं।
वे दी गई जानकारी में कुछ विशेषताओं से मेल खा सकते हैं या "छिपे हुए चर" हो सकते हैं जो एक संबंध बनाने के लिए माने जाते हैं (उदाहरण के लिए, चिकित्सा रिकॉर्ड के मामले में, एक छिपा हुआ चर एक सिंड्रोम को दर्शा सकता है, जो कई लक्षणों का वर्णन करता है जो एक साथ एक निश्चित बीमारी की पहचान करते हैं)।
आर्क्स और सशर्त प्रायिकता
प्रत्येक आर्क एक प्रायिक निर्भरता को परिभाषित करता है। यदि एक आर्क नोड Y से नोड Z तक खींचा जाता है, तो Y, Z का माता-पिता या तत्काल पूर्ववर्ती है, और Z, Y का वंशज है। प्रत्येक चर ग्राफ में अपने गैर-वंशजों से सशर्त रूप से स्वतंत्र है, अपने माता-पिता को दिए जाने पर।
एक विश्वास नेटवर्क में प्रत्येक चर के लिए एक सशर्त प्रायिकता तालिका (CPT) होती है। चर Y के लिए CPT सशर्त वितरण P(Y|Parents(Y)) को परिभाषित करता है, जहां Parents(Y), Y के माता-पिता हैं।
आउटपुट नोड और क्लासिफिकेशन
नेटवर्क के अंदर एक नोड को "आउटपुट" नोड के रूप में चुना जा सकता है, जो एक क्लास लेबल विशेषता को परिभाषित करता है। एक से अधिक आउटपुट नोड हो सकते हैं। नेटवर्क पर लागू किए जा सकने वाले अनुमान और अधिगम के कई एल्गोरिदम हैं। एकल क्लास लेबल लौटाने के बजाय, क्लासिफिकेशन प्रक्रिया एक प्रायिकता वितरण लौटा सकती है जो प्रत्येक क्लास की प्रायिकता प्रदान करता है।
अनुप्रयोग
विश्वास नेटवर्क कई प्रसिद्ध मुद्दों को मॉडल करने के लिए उपयोग किए जा सकते हैं। एक उदाहरण आनुवंशिक लिंकेज विश्लेषण है जैसे क्रोमोसोम पर जीन का मानचित्रण। जीन लिंकेज मुद्दों को बेजियन नेटवर्क पर अनुमान की विधि में डालकर, और अत्याधुनिक एल्गोरिदम का उपयोग करके, विश्लेषण की स्केलेबिलिटी में उल्लेखनीय सुधार हुआ है।
कई अनुप्रयोगों को विश्वास नेटवर्क की आवश्यकता से लाभ हुआ है जैसे कंप्यूटर विजन, छवि पुनर्स्थापना और स्टीरियो विजन, फ़ाइल और पाठ विश्लेषण, निर्णय समर्थन प्रणाली, और संवेदनशीलता विश्लेषण। कई अनुप्रयोगों को बेजियन नेटवर्क अनुमान तक कम करने की आसानी इस मायने में फायदेमंद है कि यह प्रत्येक अनुप्रयोग के लिए विशेष एल्गोरिदम बनाने की आवश्यकता को रोकता है।
