貝氏網路的結果預測與原因推理:基於專家知識建構的網路結構 ... | 化學工廠資訊網
2017年10月17日—貝氏網路是一種機器學習預測的方法,其做法大概跟之前所介紹的用Weka分類模型來預測未知案例差不多。貝氏網路分類器本身的正確率通常不高,但是它能夠結合 ...
前面我將貝氏網路的分類與預測投影片[1]放到blog上,這一篇則是用圖文解說的方式來說明如何在Weka中使用貝氏網路。貝氏網路是一種機器學習預測的方法,其做法大概跟之前所介紹的用Weka分類模型來預測未知案例[2]差不多。貝氏網路分類器本身的正確率通常不高,但是它能夠結合專家知識或領域知識(domain/prior knowledge)來建立預測模型,使得預測結果比較符合人類的思維。另一方面,貝氏網路也可以根據任何已知結果來推理發生的原因,讓我們更容易解釋最後結果。跟類神經網路、支持向量機難以解釋的黑箱演算法相比,貝氏網路這種白箱(white-box)演算法雖然正確率較差,但卻更容易用在任何研究中,協助我們推測研究結果、解釋造成原因。
資料集 / Data set
這次使用的資料是來自於我在教授「分類與預測:貝氏網路[3]」所舉的簡單例子。這10位來看診案例中,4位有病、6位沒病,醫生收集了他們的性別跟是否吸菸的背景資料,我們就以此來建立預測模型。必須注意的是,資料類型必須為類別形態(nominal)。如果是連續資料(numeric),那就得用裝箱法[4]來切割資料。
請下載CSV格式檔案,待會會使用。
環境配置:Weka 3.8 / Environment: Weka 3.8
這個例子是在Windows中使用了Weka 3.8版。如果你還沒有Weka的話,請到下面的網址下載並安裝。
因為這個資料集使用了中文,所以要調整Weka的設定,使其能夠接納中文。
資料跟環境都準備好了之後,接下來我們就要來開始操作囉。
Step 1. 建立專家知識的網路結構 / Create bayesian network structure using export knowledge...
以貝氏網路建構一個適性化學習環境 | 化學工廠資訊網
以貝氏網路為基礎之適性測驗選題策略演算法 | 化學工廠資訊網
分類與預測:貝氏網路 Classification and Prediction | 化學工廠資訊網
從經驗中學習 | 化學工廠資訊網
貝氏網路 | 化學工廠資訊網
貝氏網路(Bayisian Network) | 化學工廠資訊網
貝氏網路模型檢視器BayesNet Viewer | 化學工廠資訊網
貝氏網路的結果預測與原因推理:基於專家知識建構的網路結構 ... | 化學工廠資訊網
預測貸款違約者(貝氏網路) | 化學工廠資訊網
【臺南市】建昌應用材料股份有限公司
臺南市化工廠有哪些?本篇為大家整理位於永康區復興路1巷30弄150號的「建昌應用材料股份有限公司」相關資訊,用列表的方式整...