J'espère qu'il n'y aura peut-être pas de réponse définitive à cette question. Mais j'ai utilisé un certain nombre d'algorithmes d'apprentissage automatique dans le passé et j'essaie d'en apprendre davantage sur les réseaux bayésiens. Je voudrais comprendre dans quelles circonstances ou pour quels types de problèmes choisiriez-vous d'utiliser le réseau bayésien par rapport à d'autres approches?
12
Réponses:
Les BN utilisent les DAG pour prescrire la distribution conjointe. Ce sont donc des modèles graphiques.
Avantages:
Lorsque vous avez beaucoup de données manquantes, par exemple en médecine, les NE peuvent être très efficaces car la modélisation de la distribution conjointe (c'est-à-dire votre affirmation sur la façon dont les données ont été générées) réduit votre dépendance à avoir un ensemble de données entièrement observé.
Apprendre la distribution conjointe est une tâche difficile, mais la modéliser pour des variables discrètes (par le calcul de tables de probabilités conditionnelles, c'est-à-dire les CPT) est beaucoup plus facile que d'essayer de faire de même pour des variables continues. Les BN sont donc pratiquement plus courants avec des variables discrètes.
Les NE permettent non seulement l'inférence observationnelle (comme le permettent tous les modèles d'apprentissage automatique), mais aussi les interventions causales . Il s'agit d'un avantage communément négligé et sous-estimé des NE et lié au raisonnement contrefactuel.
la source
D'après mon expérience, les réseaux bayésiens fonctionnent très bien lorsqu'il existe des données catégorielles de grande dimension . Ils donnent des modèles interprétables, qui (parfois) aident à comprendre comment les différentes variables interagissent.
la source