lab6.pdf

Katedra

Podstaw

Konstrukcji

Maszyn

Wydział

Mechaniczny

Technologiczny

MetodySztucznej

Inteligencji

Politechnika

Śląska

KierunekstudiówETI,ZiIP,semestr4

Prowadzącyprzedmiot

drinż.AnnaTimoﬁejczuk

Rokakademicki2005/06

Instrukcjadoćwiczeńlaboratoryjnych

Ćwiczenie7

Temat

Sieciprzekonań

Opracował:mgrinż.M.Bednarski

ul.Konarskiego18a

44-100Gliwice

tel.2371467

fax.2371360

ZastępujeinstrukcjęMGM2002PN15-001

http://kpkm.polsl.pl

MGM2002PN15-002 Gliwice2006-05-04

-1/15-

1.Celćwiczenia

Celemćwiczeniajestzapoznaniesięzzagadnieniamimodelowaniazzastosowaniemsiecibay-

esowskichinabyciepraktycznychumiejętnoścideﬁniowaniaistosowaniatychsieci.Wramach

ćwiczeństosowanebędzieoprogramowanieNETICA,któregowersjademonstracyjna(wystar-

czającadoprzeprowadzeniaćwiczenia)jestdostępnapoprzezwitrynęhttp://www.norsys.com/

wybierając”Downloads”i”Netica”.

2.Wprowadzenie

2.1.Siećbayesowska

Siećbayesowskatoacykliczny(niezawierającycykli)grafskierowanywktórymwęzłyreprezen-

tujązmienne(np.temperaturęjakiegośźródła,stanpacjenta,cechęobiektuitp.)askierowane

gałęzieinformacyjnąlubprzyczynowązależnośćpomiędzytymizmiennymi.Zależnośćtajest

określonaprzezwarunkoweprawdopodobieństwo,którejestprzypisanedokażdegopołączenia

pomiędzywęzłamiwsieci.Zmiennereprezentowaneprzezwęzłyprzyjmująwartościdyskretne

(np.: TAK, NIE). Rysunek 1 przedstawia prostą sieć bayesowską. Opisuje ona relacje przy-

czynowe pomiędzy wystąpieniem zachmurzenia i zraszaniem trawy, pomiędzy wystąpieniem

zachmurzeniaawystąpieniemdeszczuipomiędzyzraszaniemtrawy,iwystąpieniemdeszczu

amokrątrawą.Obokkażdegowęzłaprzedstawionotablicęprawdopodobieństwwarunkowych

np. dla węzła D prawdopodobieństwo, że działał zraszacz ( B = Tak ), nie padał deszcz

(

)itrawajestmokra(

D = Tak

)jestrówne

0 , 9

(drugiwiersz).

2.2.Konstruowaniesiecibayesowskiej

Abywnioskowaćnapodstawiedanychnależynajpierwzbudowaćsiećbayesowską.Generalnie

utworzenietakiejsieciwymagapomocyekspertazdziedziny,którejdotyczytworzonymodel,

w celu określenia właściwych zależności przyczynowych i prawdopodobieństw warunkowych.

W tym celu możliwe jest również zastosowanie technik uczenia. Większość oprogramowania

komputerowegodotyczącegobudowaniasiecibayesowskichpozwalanapodstawiedanychtre-

nującychwyznaczyćodpowiednieparametrysieci(warunkowerozkładyprawdopodobieństwa).

Istniejąrównieżbardziejzłożoneprogramykomputerowepozwalającewyznaczyćzwiązkiprzy-

czynowepomiędzyzmiennymi(strukturęsieci).Kolejnekrokitworzeniasiecibayesowskiej(bez

użyciadanychtrenujących)ijejstosowanie:

zdeﬁniowaniezmiennych,

• zdeﬁniowaniepołączeńpomiędzyzmiennymi,

• określenieprawdopodobieństwwarunkowychi”apriori” 1 ,

1 ”a priori” - (z łaciny - z założenia) - niezależne od doświadczenia, zdobyte na podstawie rozumowania,

intuicjęitp.

MGM2002PN15-002 Gliwice2006-05-04

-2/15-

C = Nie

•

Rys.1:Przykładowasiećbayesowska,zmodyﬁkowanyprzykładpokazanyw[5]

• wprowadzeniedosiecidanych,

• uaktualnieniesieci,

•

wyznaczenieprawdopodobieństw”aposteriori” 2 .

2.3.Przykładwnioskowaniazapomocąsieci

Siecprzedstawionąnarys.1będziemyrozpatrywaćdlatrzechsytuacji:

1. niewiemynictzn.niewiemyczywystąpiłozachmurzenie,czypadałdeszcz,czydziałał

zraszacziczytrawajestmokra,

2. wiemy,żetrawajestmokra,

3. wiemy,żewystępujezachmurzenieoraztrawajestmokra.

Rysunki 2,3,4 przedstawiają odpowiednio rozkłady prawdopodobieństw (określonew procen-

tach)wkażdymwęźle.

Z porównania rysunku 3 i 2 wynika, że wiadomość o tym iż trawa jest mokra pozwala

zwiększyćnaszeprzekonanieotym,żepadałdeszcz(z50%do70%)orazotym,żedziałał

zraszacz(z30%do43%).

Z porównania rysunków 4 i 3 wynika, że dodatkowa wiadomość o tym iż występuje za-

chmurzeniepozwalazwiększyćprzekonanie,żepadałdeszcz(z70%do97,6%)orazznacznie

zmniejszyć przekonanie o tym, że działał zraszacz (z 42% do 13%). Gdybyśmy ponadto w

2 ”aposteriori”(złaciny-znastępstwa)-uzyskanenapodstawiedoświadczenia

MGM2002PN15-002 Gliwice2006-05-04

-3/15-

Rys.2:Rozkładyprawdopodobieństwadlasytuacji1(”niewiemynic”).

Rys.3:Rozkładyprawdopodobieństwadlasytuacji2(”wiemy,żetrawajestmokra”).

Rys. 4: Rozkłady prawdopodobieństwa dla sytuacji 3 (”wiemy, że występuje zachmurzenie i

trawajestmokra”).

MGM2002PN15-002 Gliwice2006-05-04

-4/15-

kolejnymkrokustwierdzili,żezraszaczniedziałatonaszeprzekonanieotym,żepadałdeszcz

wzrastado100%.

2.4.ZastosowanieprogramuNETICAdotworzeniasiecibayesowskiej

2.4.1.Stosowaniesieci

Omawianywyżejprzykład,zapisanywprogramieNETICAprzedstawiononarysunku5.Obli-

czoneprawdopodobieństwapokazanograﬁcznie.Wskazującprawymklawiszemmyszyodpo-

wiedni węzeł uzyskuje się dostęp do menu kontekstowego węzła, w którym możemy nadać

węzłowiwartość(wprzypadku,gdyjestonaznananp.TAKlubNIE).Domyślnieprzyjmowana

jestwartość Unknown ,oznaczającanieznanąwartośćdanegowęzłaPrzypisaniewartościwę-

złowipowodujezmianyrozkładówprawdopodobieństwpozostałychwęzłów,którychwartości

niezostałyustalone.

Rys.5:OknogłówneprogramuNETICA).

2.4.2.Zapisywaniesieci

Zapisywanie modelu należy rozpocząć od wstawienia węzłów poleceniem Add Nature Node

(menugórne- Modify lubikona ).Postworzeniuwęzłainadaniumuodpowiedniejnazwy

( niewolno używaćpolskichznakówdiakrytycznychorazspacji,wtytulewęzłamożnaużywać

spacji)należyokreślićmożliwewartości(stany)węzła(lubpozostawićdomyślnestanyTruei

False)woknie(rys.6),któreotwierasiępodwójnymkliknięciemnawęźle.

Abywprowadzićgałąźłączącądwawęzły(wprowadzićrelacjęprzyczynową)należy:

1. zmenugórnego Modify wybraćpolecenie AddLink lubwybraćikonę ,

MGM2002PN15-002 Gliwice2006-05-04

-5/15-

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika: