Bayes Ağı

Bayes ağları, bir dizi değişkeni ve bunların koşullu bağımlılıklarını temsil etmek için yönlü döngüsüz grafik (DAG) kullanan bir tür olasılıksal grafik modeldir. Girişleri çıkışlara basitçe eşleyen "kara kutu" algoritmalarından farklı olarak, bu ağlar farklı faktörler arasındaki neden-sonuç ilişkilerini açıkça modelleştirir . Bu yapı, veri bilimcilerin belirsizlik altında tahminsel modelleme ve akıl yürütme yapmalarını sağlar ve verilerin eksik olabileceği veya uzmanlık alanındaki bilginin istatistiksel kanıtlarla birleştirilmesi gereken senaryolarda son derece etkili olmalarını sağlar.

Temel Kavramlar ve Alaka Düzeyi

Bu ağların merkezinde, daha fazla kanıt veya bilgi elde edildikçe bir hipotezin olasılıklarını güncellemek için kullanılan bir matematik formülü olan Bayes teoremi yer alır. Bayes ağında, düğümler semptom, sensör okuması veya sınıflandırma etiketi gibi değişkenleri temsil ederken, kenarlar (oklar) olasılıksal bağımlılıkları temsil eder. Düğüm A'dan düğüm B'ye bir bağlantı varsa, bu A'nın B üzerinde doğrudan bir etkisi olduğunu gösterir. Bu mimari, Açıklanabilir Yapay Zeka (XAI) için çok önemlidir, çünkü kullanıcıların modelin akıl yürütme yolunu izlemesine olanak tanır ve karmaşık derin öğrenme mimarilerinde genellikle elde edilmesi zor olan şeffaflık sağlar.

Bu modeller, özellikle titiz risk değerlendirmesi gerektiren alanlarda önemlidir. Koşullu olasılık dağılımlarını kullanarak, Bayes ağı, diğerleri hakkında gözlemlenen kanıtlar göz önüne alındığında belirli bir değişkenin durumu hakkındaki soruları yanıtlayabilir. Genellikle olasılıksal çıkarım olarak adlandırılan bu süreç, standart sinir ağları tarafından gerçekleştirilen fonksiyon yaklaşımından farklıdır.

Gerçek Dünya Uygulamaları

Bayes ağları, karar verme sürecinde birden fazla belirsiz faktörün değerlendirilmesi gereken sektörlerde yaygın olarak kullanılmaktadır. faktörler.

1. Tıbbi Teşhis: Sağlık hizmetlerinde yapay zeka alanında, bu ağlar klinik karar destek sistemlerini desteklemek için kullanılır. Bir ağ, hastalıklar (gizli değişkenler) ile semptomlar veya test sonuçları (gözlemlenen değişkenler) arasındaki ilişkileri modelleyebilir. Örneğin, tıbbi görüntü analizi, belirli bir tanının olasılığını güncelleyen kanıtlar sağlayarak doktorların karmaşık hasta geçmişlerini incelemelerine yardımcı olabilir.
2. Endüstriyel Arıza Teşhisi: Üretimde yapay zeka alanında, Bayes ağları anormallik tespiti ve kök neden analizi için önemli bir rol oynar. Akıllı bir üretim sistemi olağandışı bir sıcaklık değeri tespit ederse, ağ çeşitli makine bileşenleri için arıza olasılığını hesaplayarak bakım ekiplerine verimli bir şekilde rehberlik edebilir.

İlgili Kavramlardan Ayırt Etme

Bayes ağlarını diğer istatistiksel ve makine öğrenimi modellerinden ayırmak önemlidir:

• Naif Bayes Sınıflandırıcı: Bu, Bayes Ağının basitleştirilmiş, özel bir durumudur. "Naif" varsayım, sınıf değişkeni göz önüne alındığında tüm tahminci özelliklerinin birbirinden bağımsız olduğu yönündedir. Duygu analizi gibi görevler için hesaplama açısından verimli olsa da , tam bir Bayes Ağı'nın yapabildiği gibi karmaşık karşılıklı bağımlılıkları yakalayamaz.
• Markov Karar Süreci: Her ikisi de grafik yapıları kullanmasına rağmen, MDP'ler öncelikle güçlendirme öğreniminde zaman içinde sıralı karar vermeyi modellemek için kullanılırken, Bayes Ağları genellikle belirli bir anda değişkenler arasındaki olasılıksal ilişkilere odaklanır.
• Derin Öğrenme Modelleri (ör. YOLO): YOLO26 gibi modeller, nesne algılama gibi yüksek boyutlu algısal görevler için optimize edilmiştir. Bu modeller, ham verilerden (pikseller) soyut özellik temsillerini öğrenirler. Buna karşılık, Bayes Ağları, yapılandırılmış değişkenlerle yüksek düzeyde akıl yürütme için daha uygundur.

Modern Yapay Zekada Olasılıksal Çıktı

Bayes ağları açık nedensel grafiklerle ilgilenirken, modern derin öğrenme modelleri de kesinliği yansıtan olasılıksal güven puanları üretir. Ultralytics gibi araçları kullanarak özel veri kümeleri üzerinde modelleri eğitirken, bu olasılıkları anlamak model performansını yorumlamak için çok önemlidir.

Aşağıdaki Python , önceden eğitilmiş bir model kullanarak bir sınıflandırma görevi için olasılık dağılımına (güven) nasıl erişileceğini göstermektedir. Bu, modern bir çıkarım iş akışında kesinliğin nasıl ölçüldüğünü göstermektedir.

from ultralytics import YOLO

# Load the YOLO26n-cls classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
# This returns a results object containing probability data
results = model("https://ultralytics.com/images/bus.jpg")

# Iterate through results to display class probability
for result in results:
    # Access the 'probs' attribute for classification probabilities
    top_class_index = result.probs.top1
    confidence = result.probs.top1conf
    print(f"Predicted Class Index: {top_class_index}, Confidence: {confidence:.4f}")