slajdy
Transkrypt
slajdy
Przypomnienie z prawdopodobieństwa Sieci bayesowskie Algorytmy stochastyczne, wykład 08 Sieci bayesowskie Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-04-10 Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Prawdopodobieństwo (Dla przestrzeni skończonej!) Prawdopodobieństwem zajścia zdarzenia A jest P(A) := liczba zdarzeń spełniających A . liczba wszystkich zdarzeń Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Prawdopodobieństwo (W ogólnym przypadku) Prawdopodobieństwem zajścia zdarzenia ze zbioru A jest P(A) := miara zbioru A µ(A) = . miara całej przestrzeni µ(Ω) Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Prawdopodobieństwo spełnia Jeżeli P(A), P(B) — prawdopodobieństwa, to P(∅) = 0 ≤ P(A) ≤ 1 = P(Ω) P(A) + P(B) ≥ P(A ∪ B) P(A ∪ B) = P(A) + P(B) − P(A ∩ B) jeżeli A i B są rozłączne, to P(A ∪ B) = P(A) + P(B) P(A ∪ B) ≥ P(A) ≥ P(A ∩ B) Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Prawdopodobieństwo warunkowe Jeżeli P(A), P(B) — prawdopodobieństwa i P > 0, to prawdopodobieństwo warunkowe A pod warunkiem B P(A|B) := P(A ∩ B) P(B) intuicyjnie: „Już wiemy, że zaszło B. Jakie są szanse, że zajdzie [jeszcze] A?” Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Prawdopodobieństwo warunkowe Przykład Rzucamy kostką sześcienną A = wypadła liczba parzysta B = wypadła liczba mniejsza niż 3 P(A|B) := P(A ∩ B) P(Parzysta ∩ mniejsza niż 3) = P(B) P(mniejsza niż3) Zatem P(A|B) := Jarosław Piersa 1/6 1 = 2/6 2 AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Prawdopodobieństwo warunkowe Przykład A = wypadła liczba parzysta B = wypadła liczba mniejsza niż 3 P-o B pod warunkiem A: P(B|A) := P(B ∩ A) P(Parzysta ∩ mniejsza niż3) = P(A) P(parzysta) i mamy P(B|A) := Jarosław Piersa 1/6 1 = 3/6 3 AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Prawdopodobieństwo warunkowe Nie musi być prawdą (i zwykle nie jest!), że P(A|B) = P(B|A) Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Warunkowanie po wielu zdarzeniach Warunkowanie po wielu zdarzeniach: P(A|B, C ) = P(A ∩ B ∩ C ) P(B ∩ C ) Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Niezależność Dwa zdarzenia A i B są niezależne jeżeli P(A ∩ B) = P(A) · P(B) równoważna definicja P(A|B) = P(A) lub P(B|A) = P(B) Intuicyjnie: wiedza o tym czy zaszło [lub nie] B nic nam nie mówi o zajściu A Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Wzór Bayesa Dla zdarzeń A i B P(A), P(B) > 0 zachodzi P(A|B) = Jarosław Piersa P(B|A)P(A) P(B) AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Zmienne losowe (wersja na egzamin) Zmienna losowa X jest to funkcja mierzalna z B(R) → [0, 1] (intuicyjnie) jakie jest prawdopodobieństwo, że zmienna przyjmuje ustaloną wartość np. X = 8? (rozszerzona wersja) jakie jest prawdopodobieństwo, że zmienna przyjmuje wartość z danego zbioru np. X = 8 lub X = 11 (tzn. X ∈ {8, 11})? (znacznie mniej intuicyjnie) a co jeżeli liczb w zbiorze będzie nieprzeliczalnie wiele? Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Zmienne losowe Jeżeli nie będzie zaznaczone inaczej, to do końca wykładu zakładamy, że zmienna losowa przyjmuje skończenie wiele wartości! Zdarzenie „zmienna losowa X przyjmuje wartość 1” oznaczamy X =1 Prawdopodobieństwo zdarzenia, że „zmienna losowa X przyjmuje wartość x1 ” oznaczamy P(X = x1 ) Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Zmienne losowe Jeżeli zmienna losowa X przyjmuje k różnych wartości, to P(X = x1 ) + P(X = x2 ) + · · · + P(X = xk ) = 1 Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne losowe Reguła łańcucha Jeżeli zmienna losowa X przyjmuje k różnych wartości to k X P(Y |Z , X = xi ) · P(X = xi |Z ) = P(Y |Z ) i=1 Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład sieci bayesowskiej Pogoda słońce,deszcz Tabela Pogoda pogoda P słońce .45 deszcz .55 Spóźnienie nie,15 min,tak Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład sieci bayesowskiej Pogoda słońce,deszcz Pogoda P(S = n) P(S = 15m) P(t) Pog= sł .8 0.1 0.1 Pog= des .3 0.4 0.3 Tabela Spóźnienie Spóźnienie nie,15 min,tak Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład Jakie jest prawdopodobieństwo, że się spóźnię do 15 minut? Do przeliczenia na tablicy! Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład Jakie jest prawdopodobieństwo, że się spóźnię do 15 minut? Do przeliczenia na tablicy! z reguły łańcucha P(Sp = 10m) = 2 X P(S = 10|P = pi ) · P(P = pi ) i=1 Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład Jakie jest prawdopodobieństwo, że się spóźnię do 15 minut? Do przeliczenia na tablicy! z reguły łańcucha P(Sp = 10m) = 2 X P(S = 10|P = pi ) · P(P = pi ) i=1 po podstawieniu = P(S = 10|P = sl) · P(P = sl) + P(S = 10|P = de) · P(P = de) Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład Jakie jest prawdopodobieństwo, że się spóźnię do 15 minut? Do przeliczenia na tablicy! z reguły łańcucha P(Sp = 10m) = 2 X P(S = 10|P = pi ) · P(P = pi ) i=1 po podstawieniu = P(S = 10|P = sl) · P(P = sl) + P(S = 10|P = de) · P(P = de) i liczbowo 0.1 · 0.45 + 0.4 · .55 = .045 + .22 = 0.265 prawdopodobieństwo brzegowe Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład Jakie jest prawdopodobieństwo, że się nie spóźnię jeżeli wiadomo, że jest deszczowo? wnioskowanie predyktywne P(Sp = nie|Pog = deszcz) =?? (w tym wypadku) odczytujemy bezpośrednio z tabeli ogólnie jest trudniej Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład Jakie jest prawdopodobieństwo, że dziś pada, jeżeli wiadomo, że się spóźniłem? wnioskowanie diagnostyczne P(Pog = deszcz|Sp = tak) =?? Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład Jakie jest prawdopodobieństwo, że dziś pada, jeżeli wiadomo, że się spóźniłem? wnioskowanie diagnostyczne P(Pog = deszcz|Sp = tak) =?? ze wzoru Bayesa P(Pog = deszcz|Sp = tak) = Jarosław Piersa P(Sp = tak|Pog = de) · P(Pog = de) P(Sp = tak) AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład wzór P(P = de|Sp = t) = P(Sp = t|P = de) · P(P = de) P(Sp = t) P(Sp = t|P = de) = 0.3 — z tabeli dla Spóźnienia P(P = de) = 0.55 — z tabeli dla Pogody P(Sp = t) = ... — trzeba policzyć (patrz 2 slajdy wstecz) Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład wzór P(P = de|Sp = t) = P(Sp = t|P = de) · P(P = de) P(Sp = t) P(Sp = t|P = de) = 0.3 — z tabeli dla Spóźnienia P(P = de) = 0.55 — z tabeli dla Pogody P(Sp = t) = ... — trzeba policzyć (patrz 2 slajdy wstecz) P(Sp = t) = P(S = t|P = d)P(P = d)+P(S = t|P = s)P(P = s) P(Sp = t) = .3 · .55 + .1 · .45 = 0.21 Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład Wracamy do wzorku: P(P = de|Sp = t) = P(Sp = t|P = de) · P(P = de) P(Sp = t) podstawiamy P(P = de|Sp = t) = Jarosław Piersa .3 · .55 ' 0.79 .21 AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Sieć bayesowska siecią bayesowską jest graf skierowany i acykliczny w wierzchołkach znajdują się zmienne losowe krawędzie oznaczają bezpośrednią zależność rozkładu zmiennych od rodziców Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Sieć bayesowska siecią bayesowską jest wygodna do modelowania zależności przyczynowo-skutkowych każda bezpośrednia zależność (krawędź) jest opisywalna w „ języku ludzkim” Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Wnioskowanie wnioskowanie — obliczenie prawdopodobieństwa (warunkowego) dla pewnych interesujących nas węzłów Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Wnioskowanie Wnioskowanie apriori — bez żadnej dodatkowej wiedzy wnioskowanie aposteriori — posiadamy wiedzę (evidence), że zaszło pewne zdarzenie np X = x2 i Z = z5 jak się zmienia prawdopodobieństwo zajścia pozostałych węzłów np P(Y = y1 |X = x2 , Z = z2 ) =?? Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Wnioskowanie Wnioskowanie w przód P(X |Y = y1 ), jeżeli X jest potomkiem Y predykcja zachowania Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Wnioskowanie Wnioskowanie w tył P(X |Y = y1 ), jeżeli X jest przodkiem Y diagnostyka Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Wnioskowanie Wnioskowanie w mieszane P(X |Y = y1 ), np. jeżeli X nie są połączone skierowaną ścieżką Y np. jeżeli wiedza jest zarówno jednocześnie w potomkach i przodkach X Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład 2 Tabela Stan Stan ok,hw,sw Stan P ok .65 problem hardware .10 problem software .25 Wiatrak nie,tak Jarosław Piersa AS 2013/2014 Wykład 08 Grafika nie,tak Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład 2 Tabela Wiatrak Stan ok,hw,sw Stan W = t W = n ok .9 .1 pr. hw .5 .5 pr. sw .7 .3 Wiatrak nie,tak Jarosław Piersa AS 2013/2014 Wykład 08 Grafika nie,tak Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład 2 Tabela Grafika Stan ok,hw,sw Stan G = t G = n ok 1 0 pr. hw .2 .8 pr. sw .4 .6 Wiatrak nie,tak Jarosław Piersa AS 2013/2014 Wykład 08 Grafika nie,tak Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Wnioskowanie Stan P(G = t|S = hw ) = 0.2 — bezpośredni z tabeli Wiatrak Jarosław Piersa AS 2013/2014 Wykład 08 Grafika Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Wnioskowanie Stan P(S = hw |G = n) =?? — z Tw. Bayesa Wiatrak Jarosław Piersa AS 2013/2014 Wykład 08 Grafika Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej do policzenia P(S = hw |G = n) =?? z Tw. Bayesa P(G = n|S = h)P(S = h)/P(G = n) z wzoru na prawd. całkowite P(G = n|S = h)P(S = h) 3 P P(G = n|S = si )P(S = si ) i=1 Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Wnioskowanie Stan P(W = t|G = n) =?? Wiatrak Jarosław Piersa AS 2013/2014 Wykład 08 Grafika Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej do policzenia P(W = t|G = n) =?? bezpośrednio nie da rady reguła łańcucha: dodajmy sumowanie po drugim trzecim węźle: P() = P(W = t|G = n, S = ok) P(S = ok|G = n) +P(W = t|G = n, S = hw ) P(S = hw |G = n) +P(W = t|G = n, S = sw ) P(S = sw |G = n) Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej do policzenia P(W = t|G = n) =?? zauważmy, że: P(W = t|G = n, S = ok) = P(W = t|S = ok) jeżeli znamy Stan maszyny, to informacje o grafice już nie są nam potrzebne zatem upraszczamy do P(W = t|S = ok) P(S = ok|G = n) +P(W = t|S = hw ) P(S = hw |G = n) +P(W = t|S = sw ) P(S = sw |G = n) Jarosław Piersa AS 2013/2014 Wykład 08 (1) Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej do policzenia P(W = t|G = n) =?? P(W = t|S = ok) — z tabeli P(S = ok|G = n) — jak wcześniej Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład 3 V-struktura Pożar nie,tak Tabela TIR nie,tak Pożar P tak .05 nie .95 Alarm tak,nie Jarosław Piersa AS 2013/2014 Wykład 08 Przypomnienie z prawdopodobieństwa Sieci bayesowskie Prosty przykład Wnioskowanie w sieci bayesowskiej Przykład 3 V-struktura Tabela Pożar nie,tak TIR Pożar A = Tak A = Nie t t 1 0 t n 1 0 n t .3 .7 n n .01 .99 Jarosław Piersa TIR nie,tak Alarm tak,nie AS 2013/2014 Wykład 08