Bayesian Network


Hari ini saya belajar tentang bayesian network (Bayesnet). Bayes net ini adalah model grafis probabilitas yang menampilkan representasi dari variabel dan conditional dependensinya (hubungan) menggunakan Directed acyclic graph (DAG). Bisa juga dikatakan bayes net menampilkan representasi dari joint probability distribution (distribusi probabilitas gabungan) dari sekumpulan variabel random

Bayes net ini sering digunakan untuk menampilkan hubungan event yang terjadi dan memprediksi likelihood (kemungkinan) yang menyebabkan even tersebut. Contohnya bayes net digunakan untuk representasi probabilitas hubungan antara penyakit dan simptom (gejala). Diberikan beberapa simptom, bayes net dapat digunakan untuk menghitung probabilitas adanya penyakit tertentu.

Algoritma yang baik dapat mengambil kesimpulan (inference) dan pembelajaran (learning) dengan bayesian network. Bayes net dapat melakukan pemodelan urutan (sequence) dari berbagai variabel seperti sinyal suara atau urutan protein, disebut bayesian netwrok dinamis. Generalisasi dari bayesian network dapat melakukan representasi dan menyelesaikan permasalahan pengambilan keputusan yang tidak pasti yang disebut influence diagram.

Pembelajaran

Bayes net adalah sebuah graph terarah tidak berputar dan kumpulan dari CPD

  • Setiap node (simpul) digunakan untuk menunjukan sebuah variabel random
  • Edge (sisi) menunjukan dependency (kebergantungan)
  • Setiap simpul Xi memiliki CPD (Conditional Probability Distribution) atau tabel yang menyatakan kebergantungan node tersebut dari induknya (parent) P(Xi|Pa(Xi)) dengan Pa(X) adalah induk langsung dari node X di graph
  • Joint distribution dari seluruh variabel adalah:

Dalam pembelajaran Bayesnet ada 4 kategori tergantung dari

  • Struktur graph diketahui
  • struktur graph tidak diketahui
  • Nilai variabel fully observed (diketahui semuanya)
  • Nilai variabel partly observed (ada yang tidak diketahui)

Struktur graph misalnya diketahui dari ekspert, misalnya kebergantungan antara penyakit dengan gejala.

4 kategori bayesnet

  • Kasus mudah (easy case): struktur graphnya diketahui dan datanya juga fully observed.
  • Kasus menarik (interesting case): graphnya diketahui tapi datanya hanya diketahui sebagian
  • Kasus sulit (gruesome): graphnya tidak diketahui, datanya partly observed
  • graphnya tidak diketahui, datanya fully observed

Sampe disini dulu, besok insyaallah akan saya lanjutkan dengan pembelajaran pada kasus pertama bayesnet. Semoga bermanfaat!

Referensi:

Mitchell, Tom. “Machine learning.” (1997): 870-877.


Silahkan tuliskan tanggapan, kritik maupun saran