बेय्स नेटवर्क, न्यूरल नेटवर्क, डिसीजन ट्री और पेट्री नेट के बीच अंतर


30

तंत्रिका नेटवर्क , बायेसियन नेटवर्क , डिसीजन ट्री और पेट्री नेट के बीच अंतर क्या है , भले ही वे सभी ग्राफिकल मॉडल और दृष्टिगत रूप से कारण-प्रभाव संबंध हैं।


1
ध्यान दें कि बायेसियन न्यूरल नेटवर्क (बस भ्रमित होने वाले) भी हैं, जो मूल रूप से पैरामीटर्स के बायेसियन उपचार के साथ एक तंत्रिका नेटवर्क हैं, जहां तक ​​मैं देख सकता हूं।
n

जवाबों:


27

वाह, क्या बड़ा सवाल है! उत्तर का संक्षिप्त संस्करण यह है कि सिर्फ इसलिए कि आप आरेखीय समान रूप से दृश्य प्रतिनिधित्व का उपयोग करते हुए दो मॉडल का प्रतिनिधित्व कर सकते हैं, इसका मतलब यह नहीं है कि वे दूरस्थ रूप से संबंधित संरचनात्मक, कार्यात्मक या दार्शनिक रूप से भी संबंधित हैं। मैं FCM या NF से परिचित नहीं हूं, लेकिन मैं दूसरे लोगों से थोड़ी बात कर सकता हूं।

बायेसियन नेटवर्क

बायेसियन नेटवर्क में, ग्राफ मॉडल में विभिन्न चर की सशर्त निर्भरता का प्रतिनिधित्व करता है। प्रत्येक नोड एक चर का प्रतिनिधित्व करता है, और प्रत्येक निर्देशित किनारा एक सशर्त संबंध का प्रतिनिधित्व करता है। अनिवार्य रूप से, ग्राफिकल मॉडल श्रृंखला नियम का एक दृश्य है।

तंत्रिका नेटवर्क

एक तंत्रिका नेटवर्क में, प्रत्येक नोड एक नकली "न्यूरॉन" है। न्यूरॉन अनिवार्य रूप से चालू या बंद है, और इसकी सक्रियता नेटवर्क के पूर्ववर्ती "परत" में प्रत्येक आउटपुट के मूल्यों के रैखिक संयोजन से निर्धारित होती है।

निर्णय वृक्ष

मान लीजिए कि हम वर्गीकरण के लिए एक निर्णय वृक्ष का उपयोग कर रहे हैं। पेड़ अनिवार्य रूप से हमें एक फ्लोचार्ट प्रदान करता है जिसमें बताया गया है कि हमें अवलोकन कैसे करना चाहिए। हम पेड़ की जड़ से शुरू करते हैं, और पत्ती जहां हम समाप्त होते हैं, उस वर्गीकरण का निर्धारण करते हैं जिसका हम अनुमान लगाते हैं।

जैसा कि आप देख सकते हैं, इन तीन मॉडलों में मूल रूप से बक्से और तीर के साथ प्रतिनिधित्व करने के अलावा एक-दूसरे के साथ करने के लिए मूल रूप से कुछ भी नहीं है।


1
एक तरफ सिद्धांत, निर्णय वृक्ष भी डेटा थूकने से चर के बीच निर्भरता से निपटने? मैं मशीन लर्निंग क्षेत्र में नया हूं और सहज रूप से समझने में अधिक दिलचस्पी रखता हूं कि किस परिदृश्य में उपयोग करना है। मेरे लिए यह ऐसा लगता है कि आप बायेसियन नेटवर्क का उपयोग करेंगे जब आप चर के बीच सटीक संबंध जानते हैं, जबकि आप निर्णय पेड़ का उपयोग करेंगे जब आप अनुमान लगाते हैं कि कुछ चर दूसरों पर निर्भर हो सकते हैं लेकिन वास्तव में कौन से नहीं जानते हैं। यह जानना सही है कि क्या यह सही लगता है या यदि बायेसियन नेटवर्क और निर्णय पेड़ों की प्रयोज्यता को अधिक विस्तार से समझाया जा सकता है।
दीपक अग्रवाल

मुझे वास्तव में लगता है कि जवाब में अंतर और समानता दोनों को इंगित करना चाहिए ताकि बड़ी तस्वीर को स्केच किया जा सके, यह कहते हुए कि "इन तीन मॉडलों में वास्तव में मूल रूप से एक दूसरे के साथ करने के लिए कुछ भी नहीं है" सिर्फ गलत है। निर्णय वृक्ष और तंत्रिका नेटवर्क बीएन के जेनेरिक दृष्टिकोण की तुलना में एक ही भेदभावपूर्ण दृष्टिकोण लेते हैं। जबकि अन्य दो कार्यों का प्रतिनिधित्व करते हैं, बायेसियन नेटवर्क सामान्यीकृत कार्यों (वितरण) का प्रतिनिधित्व करते हैं, ...
लेजाफर

1
आप यहां जो डिस्क्रिमिनिटिव बनाम जेनेरिक डिस्टिंक्शन बना रहे हैं, वह गलत है। तंत्रिका नेटवर्क का उपयोग जेनरेटर मॉडल के निर्माण में किया जा सकता है। उदाहरण के लिए गणों पर विचार करें। मेरा जवाब पर्याप्त है क्योंकि यह प्रश्न "इन मॉडलों को समान रूप से नेत्रहीन रूप से प्रस्तुत किया जाता है, क्या इसका मतलब यह है कि वे संरचनात्मक रूप से समान हैं?" और मैंने बताया कि कैसे ये चित्रमय निरूपण बहुत अलग जानकारी को एन्कोड कर रहे हैं।
डेविड मार्क्स

1
अपने स्वयं के उत्तर को जोड़ने के लिए स्वतंत्र महसूस करें।
डेविड मार्क्स

2
@Lejafar, किसी और के उत्तर की सामग्री को बदलने के लिए संपादन का उपयोग न करें। यदि आप किसी उत्तर से असहमत हैं, तो टिप्पणी छोड़ें, अपना जवाब दें या अपना स्वयं का उत्तर दें।
गुंग - को पुनः स्थापित मोनिका

5

यह दिखाना आसान है (डैफेन कोल्लर का कोर्स देखें ) कि लॉजिस्टिक रिग्रेशन कंडिशनल रैंडम फील्ड्स का एक प्रतिबंधित संस्करण है, जो अप्रत्यक्ष रूप से ग्राफिकल मॉडल हैं, जबकि बायेसियन नेटवर्क ग्राफिकल मॉडल निर्देशित हैं। फिर, लॉजिस्टिक रिग्रेशन को सिंगल लेयर परसेप्ट्रान के रूप में भी देखा जा सकता है। यह एकमात्र लिंक है (जो बहुत ही ढीला है) जो मुझे लगता है कि बेयसियन नेटवर्क और न्यूरल नेटवर्क के बीच खींचा जा सकता है।

मुझे अभी तक आपके द्वारा पूछे गए अन्य अवधारणाओं के बीच एक लिंक ढूंढना बाकी है।


2
साइट में आपका स्वागत है, और इस योगदान के लिए धन्यवाद। क्या आप इस बारे में विस्तार से बता सकते हैं कि इसे देखना कितना आसान है? वर्तमान में, यह केवल एक दावा है जो लोगों के लिए स्पष्ट नहीं हो सकता है। जानकारी लिंक पर हो सकती है, लेकिन हम चाहते हैं कि यह धागा लिंक के मृत हो जाने के बाद भी सूचनात्मक बने रहे।
गूँग - मोनिका

धन्यवाद! मुझे यकीन नहीं है कि स्पष्टीकरण कितना बढ़िया था, (प्रमाण को प्रस्तुत करने में कम से कम आधा घंटा लगता है) और यह मेरे दिमाग में विशेष रूप से ताजा नहीं है, लेकिन सामान्य विचार यह है कि लॉजिस्टिक मॉडल का सरलीकृत संस्करण है गिब्स वितरण, जो बदले में सीआरएफ का आधार है।
ओक्टाविया-मारिया औलिया

1
Crf का क्या अर्थ है? क्या crf = सशर्त यादृच्छिक क्षेत्र?
को लाइफ

2

@David मार्क्स द्वारा उत्कृष्ट उत्तर। मैं सोच रहा था, वर्गीकरण / प्रतिगमन पेड़ और बायेसियन नेटवर्क के बीच क्या अंतर है। विभिन्न भविष्यवक्ताओं के आधार पर कक्षाओं में एक परिणाम को वर्गीकृत करने के लिए एन्ट्रापी का निर्माण होता है और दूसरा सशर्त स्वतंत्रता और संभावित पैरामीटर अनुमानों का उपयोग करके एक ग्राफिकल नेटवर्क बनाता है।

मुझे लगता है कि रेजिसन / डिसीजन ट्री की तुलना में बायेसियन नेटवर्क के निर्माण की कार्यप्रणाली अलग है। संरचनात्मक सीखने के लिए एल्गोरिथ्म, मॉडल का उपयोग करने के उद्देश्य और साथ ही मॉडल की हीन क्षमता अलग-अलग हैं।

निर्णय आधारित परिवारों में सूचना लाभ के मानदंड के साथ तैयार किए गए कुछ समानताओं के साथ स्कोर-आधारित और विवश दृष्टिकोण को समझा जा सकता है।


1

पहले हम इन तरीकों से हल करने की कोशिश की गई समस्या की प्रकृति का वर्णन करने का प्रयास करते हैं। यदि कोई समस्या सीधी है, तो बहुपद या एनपी कम्प्लीट है, हम लॉजिकल एल्गोरिदम को तैयार करने के लिए तैयार हैं, जो तार्किक नियमों के साथ स्वयंसिद्धों के सरल पुनर्संयोजन द्वारा एक निर्धारक उत्तर प्रदान कर सकता है। हालाँकि, अगर ऐसा नहीं है, तो हमें तर्क करने की एक विधि पर भरोसा करना होगा, जिसमें हम समस्या को विषम मानकर उसे नेटवर्क में प्लग करने का प्रयास करते हैं, नोड्स का मूल्यांकन किया जा रहा है और किनारों को घटकों के बीच में रखा जा रहा है। ।

किसी भी तरह के नेटवर्क पर आधारित तर्क में, हम सामान्य रूप से अमूर्त सामान्यीकरणों और संयोजनों का उपयोग करके, एक रैखिक प्रवाह में तार्किक नियमों के अनुसार, कटौती नहीं करते हैं, बल्कि विभिन्न दिशाओं में तर्क के प्रसार के आधार पर समस्या के माध्यम से काम करते हैं, जैसे कि वे भी समस्या एक बार में एक नोड, भविष्य में किसी भी नोड से संबंधित नए तथ्यों की खोज पर सुधार के लिए खुला। अब देखते हैं कि इनमें से प्रत्येक तकनीक अपने तरीके से समस्या हल करने के इस तरीके को कैसे अपनाती है।

न्यूरल नेटवर्क: न्यूरल नेटवर्क एक ब्लैक बॉक्स है, जहां यह माना जाता है (सिस्टम के बाहर से कभी भी सत्यापित नहीं किया जा सकता है) कि सिम्पटन नोड्स के बीच संबंध बनते हैं और बार-बार बाहरी सुदृढीकरण द्वारा जोर दिया जाता है। यह एक कनेक्शनल प्रतिमान में समस्या का दृष्टिकोण करता है । समस्या हल होने की संभावना है, लेकिन व्याख्या के माध्यम से बहुत कम है। तंत्रिका जाल अब व्यापक रूप से त्वरित परिणामों का उत्पादन करने की क्षमता के कारण उपयोग किया जाता है, अगर व्याख्यात्मकता के साथ समस्या को नजरअंदाज किया जाता है।

बायेसियन नेटवर्क: बायेसियन नेटवर्क एक निर्देशित एसाइक्लिक ग्राफ है, जो फ्लोचार्ट को अधिक पसंद करता है, केवल यह कि फ्लो चार्ट में चक्रीय छोर हो सकते हैं। प्रवाह चार्ट के विपरीत बायेसियन नेटवर्क में कई प्रारंभ बिंदु हो सकते हैं। यह मूल रूप से कई अस्पष्ट बिंदुओं पर घटनाओं के प्रसार का पता लगाता है, जहां घटना रास्ते के बीच संभावित रूप से विचलन करती है। जाहिर है, नेटवर्क में किसी भी बिंदु पर, उस नोड का दौरा किए जाने की संभावना पूर्ववर्ती नोड्स की संयुक्त संभावना पर निर्भर है। बायेसियन नेटवर्क न्यूरल नेटवर्क से अलग है जिसमें यह स्पष्ट तर्क है, भले ही संभाव्य है और इसलिए प्रत्येक चरण के आधार पर कई स्थिर अवस्थाएं हो सकती हैं जो एक एल्गोरिथ्म की तरह संशोधित और कानूनी मूल्यों के भीतर संशोधित की गई हैं। यह संभाव्य रूप से तर्क करने का एक मजबूत तरीका है, लेकिन इसमें संभावनाओं का एन्कोडिंग शामिल है,

निर्णय पेड़: निर्णय वृक्ष फिर से एक नेटवर्क है, जो प्रवाह चार्ट की तरह अधिक है, जो तंत्रिका जाल की तुलना में बायेसियन नेटवर्क के करीब है। प्रत्येक नोड में तंत्रिका जाल की तुलना में अधिक बुद्धिमत्ता होती है और गणितीय या संभाव्य मूल्यांकन द्वारा शाखा को तय किया जा सकता है। निर्णय संभावित घटनाओं के आवृत्ति वितरण के आधार पर सीधे मूल्यांकन हैं, जहां निर्णय संभावित है। हालाँकि, बायेसियन नेटवर्क में, निर्णय 'साक्ष्य' के वितरण पर आधारित होता है जो कि घटना के प्रत्यक्ष अवलोकन के बजाय होने वाली घटना की ओर इशारा करता है।

उदाहरण के लिए, यदि हम कुछ हिमालयी गाँवों में आदमखोर बाघ की आवाजाही की भविष्यवाणी करने के लिए थे, जो कि कुछ बाघ अभ्यारण्य के किनारे पर होता है, तो हम इसे इस प्रकार लिख सकते हैं:

एक निर्णय वृक्ष में, हम विशेषज्ञ के अनुमानों पर भरोसा करेंगे कि क्या एक बाघ खुले खेतों के बीच विकल्प देगा या नदियों को बाद में चुना जाएगा। एक बायेसियन नेटवर्क में, हम बाघ को पग के निशान से ट्रैक करते हैं, लेकिन एक तरीके से कारण यह स्वीकार करता है कि ये पग निशान कुछ अन्य समान आकार के बाघ हो सकते हैं जो नियमित रूप से अपने क्षेत्र में गश्त करते हैं। यदि हम एक तंत्रिका जाल का उपयोग कर रहे हैं, तो हमें सामान्य रूप से बाघ के विभिन्न व्यवहार संबंधी विशिष्टताओं का उपयोग करके मॉडल को बार-बार प्रशिक्षित करना होगा, जैसे कि तैरने के लिए इसकी प्राथमिकता, खुले क्षेत्रों पर कवर किए गए क्षेत्रों की वरीयता, क्रम में मानव आवासों से इसका बचाव। बाघ को लगने वाले पाठ्यक्रम पर नेटवर्क को आम तौर पर अनुमति देने की अनुमति दें।


0

ग्राफिकल मॉडल के बारे में, पेट्री नेट एक सिस्टम व्यवहार को औपचारिक बनाता है; उस में यह तेजी से उल्लेखित मॉडल के बाकी हिस्सों से भिन्न होता है, जो सभी संबंधित हैं कि कैसे एक निर्णय होता है।

ध्यान दें कि उद्धृत नामों में से अधिकांश काफी व्यापक एआई अवधारणाओं को नामित करते हैं, जो अक्सर मोटे तौर पर होते हैं: उदाहरण के लिए, आप एक निर्णय पेड़ बनाने के लिए एक न्यूरल नेटवर्क का उपयोग कर सकते हैं, जबकि न्यूरल नेटवर्क स्वयं, पहले की चर्चा की गई पोस्ट के रूप में, बायेसियन पर निर्भर हो सकता है। अनुमान।


-3

यह एक अच्छा सवाल है और मैं खुद से वही पूछ रहा हूं। तंत्रिका नेटवर्क दो से अधिक प्रकार के होते हैं, और ऐसा लगता है कि पिछला उत्तर प्रतिस्पर्धी प्रकार को संबोधित करता है, जबकि बायेसियन नेटवर्क को फीड-फ़ॉर्वर्ड, बैक-प्रोपगेशन (एफएफबीपी) प्रकार की समानताएं लगती हैं, न कि प्रतिस्पर्धी प्रकार। वास्तव में, मैं कहूंगा कि बायेसियन नेटवर्क एफएफबीपी का एक सामान्यीकरण है। तो एफएफबीपी एक प्रकार का बायेसियन नेटवर्क है और एक समान फैशन में काम करता है।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.