Граф на рис. 1 может быть отнесен к семейству байесовых сетей. В дан-ном примере переменные в узлах могут принимать только булевы значения 1 или 0 (да/нет). Из графа на рис. 1 можно сделать несколько полезных выводов о зависимости и независимости переменных. В традиционной постановке байесовы сети не предназначены для оперирования с непрерывным набором состояний (например, с действительным числом на заданном отрез-ке). Для представления действительных чисел в некоторых приложениях можно провести разбиение отрезка на сегменты и рассматривать дискретный набор их центров.
Например, если известно, что ночью не было дождя, то информация о состоянии травы у дома Ватсона не оказывает влияния на ожидания по поводу состояния травы у дома Холмса.
В середине 80-х годов были подробно проанализированы способы, ко-торыми влияние информации распространяется между переменными в байесовой сети. Будем считать, что две переменные разделены, если но-вые сведения о значении одной из них не оказывают влияния на ожидания по поводу другой. Если состояние переменной известно, мы будем назы-вать такую переменную конкретизированной.
В байесовой сети возможны три типа отношений между переменными:
1. последовательные соединения (рис. 2a);
2. дивергентные соединения (рис. 2b),;
3. конвергентные соединения (рис. 2c).
Ситуация на рис. 2c требует, по-видимому, дополнительных поясне-ний--как возникает зависимость между предками конвергентного узла, когда становится известным значение потомка. Для простоты рассмот-рим пример, когда узел A имеет всего двух предков -B и C. Пусть эти две переменные отвечают за выпадение орла и решки при независимом броса-нии двух разных монет, а переменная A -- логический индикатор, который «загорается», когда обе монеты оказались в одинаковом состоянии (напри-мер, обе - решки). Теперь легко понять, что если значение индикаторной переменной стало известным, то значения B и C стали зависимыми -- знание одного из них полностью определяет оставшееся.
Общее свойство (условной) независимости переменных -- узлов в бай-есовой сети получило название d-разделения (d-separation).
Рисунок 2 Три типа отношений между переменными(a) Последовательное соединение. Влияние информации может распростра-няться от A к C и обратно, пока значение B не конкретизировано. (b) Дивер-гентное соединение. Влияние может распространяться между потомками узла A, пока его значение не конкретизировано. (c) Конвергентное соединение. Если об A ничего не известно, кроме того, что может быть выведено из информации о его предках B,C,... ,E, то эти переменные предки являются разделенными. При уточнении A открывается канал взаимного влияния между его предками.
Свойство d-разделимости соответствует особенностям логики экспер-та-человека, поэтому крайне желательно, чтобы в рассуждениях машин относительно двух d-разделенных переменных новая информация об од-ной из них не изменяла степень детерминированности второй переменной. Формально, для переменных A и C, независимых при условии B, имеет место соотношение P(A | B) = P(A | B, C).
Отметим, что интуитивное восприятие условной зависимости и неза-висимости иногда, даже в простых случаях, оказывается затрудненным, так как сложно из всех исходов событий мысленно выделить только те события, в которых значение обусловливающей переменной определено, и далее в рассуждения оперировать только ими.
Вот простой пример, поясняющий эту трудность: в некотором сообще-стве мужчины среднего возраста и молодые женщины оказались матери-ально более обеспеченными, чем остальные люди. Тогда при условии фик-сированного повышенного уровня обеспеченности пол и возраст человека оказываются условно зависимыми друг от друга!
Еще один классический пример, связанный с особенностями условных вероятностей. Рассмотрим некоторый колледж, охотно принимающий на обучение сообразительных и спортивных молодых людей (и тех, кто обла-дает обоими замечательными качествами!). Разумно считать, что среди всех молодых людей студенческого возраста спортивные и интеллектуальные показатели независимы. Теперь если вернуться к множеству зачисленных в колледж, то легко видеть, что высокая сообразительность эффективно понижает вероятность спортивности и наоборот, так как каждого из этих свойств по-отдельности достаточно для приема в колледж. Таким образом, спортивность и умственные показатели оказались зависимыми при условии обучения в колледже.
Вершина (событие) БСД
Состояние 1
Состояние 2
“Болеет”
«болеет»
«нет»
“Засохло”
«засохло»
“Облетело”
«да»
Априорная вероятность p(“Болеет”)
Априорная вероятность p(“Засохло”)
Болеет = «болеет»
Болеет = «нет»
Засохло = «засохло»
Засохло = «нет»
0,1
0,9
Таблица условных вероятностей p(“Облетело” | ”Болеет”, ”Засохло”)
Облетело = «да»
0,95
0,85
0,90
0,02
Облетело = «нет»
0,05
0,15
0,10
0,98
Страницы: 1, 2, 3