Bayesian Network Learning

Pada tulisan sebelumnya telah dibahas tentang Bayesian Network Learning. Ada 4 kategori. Kali ini akan dibahas tentang kasus pertama yaitu yang graphnya diketahui dan variabelnya juga fully observed.

Contohnya pada kasus berikut:

dari slide tom mitchell

Misalnya Flu dan alergi memiliki kemungkinan menyebabkan penyakit sinus, dan sinus memiliki gejala pusing (headache) dan hidung meler (running nose). Maka probability sinus dapat ditulis sebagai berikut:

dari slide tim mitchell

dengan S= 1 adalah probabilitas sinus given F=i adalah probabilitas Flu bernilai i dan A=j adalah probabilitas alergi bernilai j. Kalau i & j boolean bisa bernilai 0 & 1. Nilai maksimum likelihood estimatenya (MLE) adalah:

dari slide tom mitchell

dengan k adalah jumlah data training, delta = 1 jika kondisi terpenuhi, dan 0 jika tidak terpenuhi. Delta terpenuhi bila nilai fk=i, nilai ak=j dan nilai Sk=1, dibagi dengan jumlah data. Rumus Maximum likehood estimate:

MLE untuk kasus sinus adalah:

Nah untuk kasus ini, yaitu graphnya diketahui dan nilai variabelnya fully observed, maka perhitungan masih mudah, yaitu menggunakan MLE seperti pada rumus diatas. Selanjutnya bagaimana bila nilai variabelnya ada yang tidak diketahui?

Misalnya untuk kasus diatas, Flu, Allergy, Headache dan Nose diketahui. Namun nilai Sinus tidak diketahui. Maka perhitungan MLE tidak bisa dilakukan. Terus bagaimana perhitungan untuk kasus in? Insyaallah saya akan bahas pada tulisan berikutnya. Semoga Bermanfaat!

Referensi

Klik untuk mengakses GrMod3_10_18_2011.pdf

Silahkan tuliskan tanggapan, kritik maupun saran