Professional Documents
Culture Documents
Bajesove Mreže 1.0 PDF
Bajesove Mreže 1.0 PDF
Bajesove Mreže 1.0 PDF
Pretpostavka uslovne nezavisnosti (kao u metodi Naivnog Bajesa) predstavlja se na sledeći način:
Gde je 𝑝(𝑐 |𝑑) ∙ 𝑝(𝑑 ) = 𝑝(𝑐, 𝑑), a 𝑝(𝑏|𝑐, 𝑑) ∙ 𝑝(𝑐|𝑑) ∙ 𝑝(𝑑) = 𝑝(𝑏, 𝑐, 𝑑). Kao i kod situacije da su svi
atributi međusobno nezavisni (slika 1) i situacija da su svi atributi zavisni (slika 2) ne oslikava realno
stanje u pravom modelu odlučivanja.
a b c d a c
Slika 1. Nezavisni atributi
d
Slika 2. Potpuno zavisni atributi
Stoga, treba naći model koji ne pripada nijednoj krajnosti, tj. da su neki atributi zavisni a neki nisu.
Kao rezultat ove potrebe nastale su Bajesove mreže. Na primer, ukoliko bismo dodali novi nezavisni
atribut e u situaciji gde su a, b, c i d međusobno zavisni dobili bi sledeće:
a c e
d
Slika 3. Grafički model Bajesove mreže sa novim nezavisnim atributom
Međutim, ukoliko bi rekli da atribut e zavisi od atributa c dobili bi sledeće:
a c e
d
Slika 4. Grafički model Bajesove mreže gde e zavisi od c
Formalno, Bajesove mreže predstavljaju grafičke modele, tj. grafove gde su čvorovi atributi, a lukovi
zavisnosti između promenjivih. Važno je napomenuti da su lukovi usmereni i tumače se kao da
atribut a utiče na vrednosti atributa b, odnosno b zavisi od a (ako je relacija od a ka b).
Ukoliko nas za trenutak ne zanimaju pojavljivanja događaja b,c,d i e, i hteli bi da izračunamo verovatnoću
ostvarivanja događaja a u grafičkom modelu sa slike 4 koristićemo marginalizaciju, tj:
𝑝(𝑎) = ∑ 𝑝(𝑎, 𝑏, 𝑐, 𝑑, 𝑒)
𝑏,𝑐,𝑑,𝑒
Firma koja se bavi obezbeđenjem je uvela alarm. Alarm se oglašava kada dođe do krađe. Međutim, u
specifikaciji alarma piše da se alarm može oglasiti ukoliko dođe do zemljotresa. Za zemljotres
saznajemo iz vesti.
Krađa Zemljotres
Alarm Vesti
Prvi korak u rešavanju je faktorizacija modela. Atributi nisu u potpunosti međusobno zavisni, niti
nezavisni, već postoje definisane zavisnosti. Tako vidimo da aktivacija alarma zavisi od toga da li se
dogodila krađa i da li se dogodio zemljotres. Takođe, vidimo da vesti zavise od toga da li se dogodio
zemljotres. Sa druge strane, vidimo da vesti ne zavise od alarma, kao i krađa od zemljotresa itd.
Primenom pravila faktorizacije dobijamo:
𝐾𝑟𝑎đ𝑎 = 𝐾, 𝐴𝑙𝑎𝑟𝑚 = 𝐴, 𝑍𝑒𝑚𝑙𝑗𝑜𝑡𝑟𝑒𝑠 = 𝑍, 𝑉𝑒𝑠𝑡𝑖 = 𝑉
𝑝(𝐾) = 0,01
̅ ) = 1 − 0,01 = 0,99
𝑝(𝐾
Za zemljotres imamo sledeće verovatnoće:
Napomena: verovatnoće ostvarivanja nekog događaja, npr. krađe, obeležavamo kao 𝑝(𝐾), a
verovatnoće ne ostvarivanja tog događaja (čitamo kao ne <<taj događaj>>, u ovom slučaju ne krađa)
̅ ).
𝑝(𝐾
Upit 1: Koja je verovatnoća da će se alarm oglasiti, da će biti zemljotres i da će vesti javiti da je bio
zemljotres?
Dakle, potrebno je da izračunamo 𝑝(𝐴, 𝑍, 𝑉). Kako nam stanje krađe nije poznato, potrebno je da bi
izračunali traženu verovatnoću da marginalizujemo po krađi, tj:
Popunjavanje polja, npr. 𝑝(𝐴|𝐾, 𝑍) radimo tako što gledamo u date (ili izračunate) verovatnoće. U
prvom redu (gde stoji 𝐾) gledamo verovatnoću gde se ostvarila i krađa (to nam je stanje po kojem
marginalizujemo) i zemljotres a alarm se oglasio (u upitu želimo takvu verovatnoću) i to je prvi red u
tabeli gde je vrednost 0,9999. Drugi red (gde stoji 𝐾̅) tražimo verovatnoću da se alarm oglasio ako
znamo da nije bila krađa, a zemljotres se dogodio.
𝑝(𝐴) = 0,01
Verovatnoća da će se alarm aktivirati iznosi 0,01, odnosno 1%.
Verovatnoću da se alarm oglasio smo izračunali u prethodnom upitu, te ćemo računati samo 𝑝(𝐾, 𝐴).
Dobijamo da je:
𝑝(𝐾, 𝐴) = 0,0099
Odnosno:
𝑝(𝐾, 𝐴) 0,0099
𝑝(𝐾|𝐴) = = = 0,99
𝑝(𝐴) 0,01
Zaključujemo da je verovatnoća da se dogodila krađa, ako znamo da se alarm oglasio jednaka 0,99.
Upit 4: Koja je verovatnoća da se dogodio zemljotres, pod uslovom da se alarm oglasio i da je bila
krađa?
𝑝(𝑍, 𝐴, 𝐾) ∑𝑉 𝑝(𝐾, 𝐴, 𝑍, 𝑉)
𝑝(𝑍|𝐴, 𝐾) = =
𝑝(𝐴, 𝐾) ∑𝑍,𝑉 𝑝(𝐾, 𝐴, 𝑍, 𝑉)
U prethodnom upitu smo izračunali 𝑝(𝐴, 𝐾) pa ćemo računati samo 𝑝(𝑍, 𝐴, 𝐾).
Dobijamo:
Primer 2:
U poslovanju firme Siax & Co. generalni direktor želi da vidi kako uspeh firme zavisi od različitih
faktora. Njegovo znanje je zadato na sledeći način:
Prodaja firme zavisi od dva ključna faktora. To su promocija i konkurencija. Sa druge strane, naša
prodaja utičen na lojalnost naših kupaca i na profit firme (slika 6).
Promocija Konkurencija
Prodaja
Lojalnost Profit
𝐾𝑜𝑛𝑘𝑢𝑟𝑒𝑛𝑐𝑖𝑗𝑎 = 𝐾𝑜𝑛𝑘
𝑃𝑟𝑜𝑑𝑎𝑗𝑎 = 𝑃𝑟𝑜𝑑
𝐿𝑜𝑗𝑎𝑙𝑛𝑜𝑠𝑡 = 𝐿𝑜𝑗
𝑃𝑟𝑜𝑓𝑖𝑡 = 𝑃𝑟𝑜𝑓
Parametre modela (verovatnoće) treba proceniti iz istorijskih podataka. Tako je generalni direktor
zatražio podatke iz prethodnih meseci i dobio sledeće:
Vrednosti verovatnoća dobijamo na sledeći način. Pogledamo u tabeli slučajeva tamo gde je
promocija jednaka jedan i gde je konkurencija jednaka jedan. To su slučajevi 7, 8 i 9. Od tih slučajeva
gledamo koliko puta je prodaja bila jedan. Imaju dva slučaja (7 i 9) i upisujemo u prvom redu i trećoj
2
koloni 3. Analogno, popunjavamo ostatak tabele.
Kada je prodaja bila jedan (slučajevi 1, 2, 3, 7 i 9) bilo je tri slučaja kada je i lojalnost bila jedan
(slučajevi 1, 2 i 9) te procenjujemo da je verovatnoća da je lojalnost jedan pod uslovom da je prodaja
3
jedan jednaka 5. Analogno, popunjavamo ostatak tabele.
Upit 1: Koja je verovatnoća da će firma Siax & Co. ostvariti profit pod uslovom da je promocija bila
loša, lojalnost kupaca dobra i konkurencija dobra?
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘). Primenom uslovne verovatnoće i
Dakle treba da izračunati 𝑝(𝑃𝑟𝑜𝑓|𝑃𝑟𝑜𝑚
marginalizacije dobijamo:
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘) =
𝑝(𝑃𝑟𝑜𝑓|𝑃𝑟𝑜𝑚 =
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
𝑝(𝑃𝑟𝑜𝑚
̅̅̅̅̅̅̅̅, 𝑃𝑟𝑜𝑑, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
∑𝑃𝑟𝑜𝑑 𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚
=
̅̅̅̅̅̅̅̅, 𝑃𝑟𝑜𝑑, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
∑𝑃𝑟𝑜𝑑,𝑃𝑟𝑜𝑓 𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚
Odatle računamo:
̅̅̅̅̅̅̅̅)
𝑆𝑡𝑎𝑛𝑗𝑒: 𝑃𝑟𝑜𝑑 𝑝(𝑃𝑟𝑜𝑚 ∙ ̅̅̅̅̅̅̅̅, 𝐾𝑜𝑛𝑘) ∙ 𝑝(𝐿𝑜𝑗|𝑃𝑟𝑜𝑑) ∙ 𝑝(𝑃𝑟𝑜𝑓|𝑃𝑟𝑜𝑑)
𝑝(𝐾𝑜𝑛𝑘) ∙ 𝑝(𝑃𝑟𝑜𝑑|𝑃𝑟𝑜𝑚
3 5 1 3 4
𝑃𝑟𝑜𝑑 ∙ ∙ ∙ ∙ +
9 9 2 5 5
3 5 1 2 2
̅̅̅̅̅̅̅
𝑃𝑟𝑜𝑑 ∙ ∙ ∙ ∙ =
9 9 2 4 4
𝑆𝑡𝑎𝑛𝑗𝑒 ̅̅̅̅̅̅̅̅)
𝑝(𝑃𝑟𝑜𝑚 ∙ ̅̅̅̅̅̅̅̅, 𝐾𝑜𝑛𝑘) ∙ 𝑝(𝐿𝑜𝑗|𝑃𝑟𝑜𝑑) ∙ 𝑝(𝑃𝑟𝑜𝑓|𝑃𝑟𝑜𝑑)
𝑝(𝐾𝑜𝑛𝑘) ∙ 𝑝(𝑃𝑟𝑜𝑑|𝑃𝑟𝑜𝑚
3 5 1 3 4
𝑃𝑟𝑜𝑑, 𝑃𝑟𝑜𝑓 ∙ ∙ ∙ ∙ +
9 9 2 5 5
3 5 1 3 1
𝑃𝑟𝑜𝑑, ̅̅̅̅̅̅̅
𝑃𝑟𝑜𝑓 ∙ ∙ ∙ ∙ +
9 9 2 5 5
̅̅̅̅̅̅̅, 𝑃𝑟𝑜𝑓 3 5 1 2 2
𝑃𝑟𝑜𝑑 ∙ ∙ ∙ ∙ +
9 9 2 4 4
̅̅̅̅̅̅̅, ̅̅̅̅̅̅̅ 3 5 1 2 2
𝑃𝑟𝑜𝑑 𝑃𝑟𝑜𝑓 ∙ ∙ ∙ ∙ =
9 9 2 4 4
Na kraju dobijamo:
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘) 0,06759
𝑝(𝑃𝑟𝑜𝑓, 𝑃𝑟𝑜𝑚
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘) =
𝑝(𝑃𝑟𝑜𝑓|𝑃𝑟𝑜𝑚 = = 0,6636
̅̅̅̅̅̅̅̅, 𝐿𝑜𝑗, 𝐾𝑜𝑛𝑘)
𝑝(𝑃𝑟𝑜𝑚 0,10185
Ako se vrši rezonovanje od posledice prema uzroku onda se takav način rezonovanja naziva
dijagnostički. Na primer, koja je verovatnoća da je promocija bila dobra, ako je poznato da je profit
bio dobar?
Na kraju rezonovanje može biti kombinovano, kao što je bio upit u drugom primeru.
Vratio?