Qual é o sentido dos modelos gráficos?

8

Passei o dia aprendendo sobre o pacote bnlearn no R apenas para descobrir que os modelos bayesianos não funcionam com gráficos não direcionados. Estou tentando aprender sobre a rede de campo aleatório de Markov, e até agora tudo o que consegui fazer é criar a estrutura gráfica usando um LASSO gráfico.

Nos gráficos direcionados, parece haver dois estágios: "aprendizado estrutural" realizado por algum método e, em seguida, "aprendizado de parâmetro" realizado por outro método. Meu senso é que o aprendizado de parâmetros informa sobre os pesos das arestas entre cada variável (recurso) incluída no seu modelo. Minha pergunta é ... e daí? O que você faz com um gráfico com pesos das arestas?

Se eu tenho um conjunto de dados que é observações por recursos, e os nós do meu gráfico são os recursos desse conjunto de dados (colhidos no LASSO gráfico tentando emular o inverso da matriz de covariância), o que posso aprender com isso? Posso comparar coortes dos meus dados (separados pelo valor da classe de destino) e atribuir algum tipo de análise de valor-p aos nós? Acho que estou confuso sobre o panorama geral dos modelos gráficos.

areyoujokingme
fonte

Respostas:

5

O valor e o poder dos modelos gráficos de relações probabilísticas condicionais é que eles transmitem informações sobre a estrutura causal e a estrutura inferencial do sistema. Por exemplo, chuva ou aspersores podem causar calçadas molhadas, mas calçadas molhadas não podem causar chuva ou aspersão. Se sua evidência é "chuva" e "não aspersores", você pode deduzir certas coisas. Se sua evidência é "calçada molhada", você pode inferir outras coisas. O que você pode e não pode deduzir é determinado pela estrutura do gráfico.

Seu exemplo de "um conjunto de dados que é observações por recursos" pode ou não ser adequado a um gráfico probabilístico. Adicionar idéias / métodos como "valores-p" só vai confundir você, eu acho. (Os valores-P aplicam-se ao teste de hipóteses freqüentes.) Metaforicamente, você combina maçãs, laranjas e tatus.

Sugiro que você veja palestras da Judea Pearl ( https://www.youtube.com/watch?v=zHjdd--W6o4 , https://www.youtube.com/watch?v=IiXvpPyhMw8 ), além de palestras tutoriais como estas : https://www.youtube.com/watch?v=YvdpnqMRmfk , https://www.youtube.com/watch?v=Xhdpk9HZQuo .

MrMeritology
fonte
Ah ok! Então, observei os dois e notei que todos os gráficos direcionados contêm um nó de resultado, e isso faz sentido para mim (que existe uma relação direcionada entre recursos e o resultado e entre recursos que são combinações lineares de outros recursos, etc. ) Minha pergunta agora é .. como alguém incorpora nós de destino (resultado) em modelos gráficos? O método inverso covariância para a aprendizagem estrutural que Markov FR uso não inclui o alvo (classe resultado) nó - apenas vetores de características do conjunto de treinamento, etc.
areyoujokingme
Portanto, os RFs de Markov estão descrevendo os relacionamentos entre os recursos, mas não o relacionamento dos recursos com a variável de classe de previsão. Então, o que você pode realmente concluir além de, talvez, quais recursos são mais influentes em relação aos outros?
Areyoujokingme