Gibt es eine Domain, in der Bayes'sche Netzwerke neuronale Netze übertreffen?

datascience.stackexchange https://datascience.stackexchange.com/questions/9818

  •  16-10-2019
  •  | 
  •  

Frage

Neuronale Netze erhalten Top -Ergebnisse bei Computer Vision -Aufgaben (siehe MNIST, Ilsvrc, Kaggle Galaxy Challenge). Sie scheinen jeden anderen Ansatz im Computervision zu übertreffen. Es gibt aber auch andere Aufgaben:

Ich bin mir nicht sicher, ob ASR (automatische Spracherkennung) und maschinelle Übersetzung, aber ich glaube, ich habe auch gehört, dass (wiederkehrende) neuronale Netzwerke andere Ansätze übertreffen.

Ich lerne derzeit über Bayes'sche Netzwerke und frage mich, welche Fälle diese Modelle normalerweise angewendet werden. Meine Frage ist also:

Gibt es eine Herausforderung / (Kaggle) -Wettbewerb, bei der die hochmodernen Kunstnetzwerke oder zumindest sehr ähnliche Modelle sind?

(Randnotiz: Ich habe auch gesehen Entscheidungsbäume, 2, 3, 4, 5, 6, 7 Gewinnen Sie in mehreren kürzlich kaggle Herausforderungen)

War es hilfreich?

Lösung

Einer der Gebiete, in denen häufig Bayes'sche Ansätze verwendet werden, ist dort, wo man die Interpretierbarkeit des Vorhersagesystems benötigt. Sie möchten den Ärzten kein neuronales Netz geben und sagen, dass es zu 95% genau ist. Sie möchten lieber die Annahmen erklären, die Ihre Methode macht, sowie den Entscheidungsprozess, den die Methode verwendet.

Ein ähnlicher Bereich ist, wenn Sie ein starkes früheres Domänenwissen haben und es im System verwenden möchten.

Andere Tipps

Bayes'sche Netzwerke und neuronale Netze sind nicht ausschließlich. Tatsächlich sind Bayes'sche Netzwerke nur ein weiterer Begriff für "gerichtete grafische Modell". Sie können sehr nützlich sein, um objektive Funktionen neuronale Netze zu entwerfen. Yann Lecun hat hier herausgezogen: https://plus.google.com/+yannlecunphd/posts/gwe7jca3zoq.

Ein Beispiel.

Der Variations -Auto -Encoder und die Derivate sind grafische Modelle des Formulars $$ p (x) = int_z p (x | z) p (z) dz. $ und eine Annäherung an seine Inverse: $ q (z | x) ca. P (z | x) $.

Hervorragende Antworten schon.

Eine Domäne, die ich mir vorstellen kann und die ich ausführlich arbeitet, ist die Kundenanalyse Domain.

Ich muss die Bewegungen und Motive der Kunden verstehen und vorhersagen, um sowohl die Kundensupport als auch die Marketing und auch die Wachstumsteams zu informieren und zu warnen.

Hier machen neuronale Netze also einen wirklich guten Job in der Vorhersage von Abwanderern usw., aber ich habe den Stil der Bayes'schen Netzwerke gefunden und bevorzuge, und hier sind die Gründe, sie zu bevorzugen:

  1. Kunden haben immer ein Muster. Sie haben immer eine Grund Handeln. Und dieser Grund wäre etwas, das mein Team für sie getan hat, oder sie haben sich selbst gelernt. Hier hat also alles eine frühere Vorgänge und in der Tat ist dieser Grund sehr wichtig, da es den größten Teil der vom Kunden getroffenen Entscheidung treibt.
  2. Jeder Schritt des Kunden und der Wachstumsteams im Marketing-/Verkaufstrichter ist Ursache-Wirkung. Vorwissen ist daher von entscheidender Bedeutung, wenn es darum geht, einen prospektiven Vorsprung in einen Kunden umzuwandeln.

Also das Konzept von frühere ist sehr wichtig, wenn es um Kundenanalysen geht, was das Konzept der Bayes'schen Netzwerke für diesen Bereich sehr wichtig macht.

Vorgeschlagenes Lernen:

Bayesianische Methoden für neuronale Netze

Bayesianische Netzwerke in Business Analytics

Manchmal ist es Ihnen so wichtig, das Ergebnis zu ändern wie die Vorhersage des Ergebnisses.

Ein neuronales Netzwerk, das genügend Trainingsdaten bezeichnet wird, neigt dazu, das Ergebnis besser vorherzusagen. Sobald Sie das Ergebnis vorhersagen können, möchten Sie möglicherweise den Effekt der Änderung der Eingabefunktionen auf dem Ergebnis vorhersagen.

Ein Beispiel aus dem wirklichen Leben, wenn man weiß, dass jemand wahrscheinlich einen Herzinfarkt hat, ist nützlich, aber in der Lage zu sein, der Person zu sagen, dass das Risiko, wenn er nicht mehr XX betreibt, um 30% verringert würde, einen viel größeren Nutzen.

Ebenso ist es für die Kundenbindung, zu wissen, warum Kunden aufhören, mit Ihnen einzukaufen, genauso wert, wie die Kunden vorherzusagen, die wahrscheinlich aufhören, bei Ihnen einzukaufen.

Auch ein einfacheres Bayes'sche Netzwerk, das jedoch weniger gut vorhersagt, aber führt dazu, dass mehr Maßnahmen ergriffen werden kann oft besser sein als ein „korrekter“ Bayes'sche Netzwerk.

Der größte Vorteil von Bayes'schen Netzwerken gegenüber neuronalen Netzwerken besteht darin, dass sie für kausale Inferenz verwendet werden können. Dieser Zweig ist für Statistiken von grundlegender Bedeutung, und maschinelles Lernen und Judäa Pearl hat die gewonnen Turing Award für diese Forschung.

Bayes'sche Netzwerke können neuronale Netzwerke in kleinen Dateneinstellungen übertreffen. Wenn die vorherigen Informationen über die Netzwerkstruktur, Priors und andere Hyperparameter ordnungsgemäß verwaltet werden, kann dies einen Vorteil gegenüber neuronalen Netzwerken haben. Neuronale Netze, insbesondere diejenigen mit mehr Schichten, sind sehr bekannt als Datenhunger. Fast per Definition sind viele Daten erforderlich, um sie ordnungsgemäß zu trainieren.

Ich habe gepostet Dieser Link auf Reddit Und habe viel Feedback. Einige haben ihre Antworten hier gepostet, andere nicht. Diese Antwort sollte den Reddit -Beitrag zusammenfassen. (Ich habe es Community -Wiki gemacht, damit ich keine Punkte dafür bekomme)

Bayes'sche Netzwerke werden für die Genominterpretation bevorzugt. Siehe zum Beispiel, Diese Dissertation Erörterung von Rechenmethoden für die Genominterpretation.

Ich habe ein kleines Beispiel dafür einmal gemacht. Aus diesem Grund denke ich, dass Bayes'sche Netzwerke bevorzugt werden, wenn Sie eine Verteilung erfassen möchten, Ihr Eingangstrainingssatz jedoch die Verteilung nicht gut abdeckt. In solchen Fällen könnte selbst ein neuronales Netzwerk, das gut verallgemeinert wurde, die Verteilung nicht rekonstruieren.

Ich bin nicht einverstanden, dass neuronale Netze gut abschneiden als andere Lernende. Tatsächlich machen neuronale Netze im Vergleich zu anderen Methoden ziemlich schlecht. Es gibt auch keine Methodik, obwohl einige Ratschläge zur Auswahl von Parametern, die diese Bienen sehr oft durch Zufall durchgeführt haben, ausgewählt werden. Es gibt auch einige Typen, die in Foren zufällig darüber sprechen, wie neuronale Netze so gut sind, nicht weil sie einige Beweise dafür haben, sondern weil sie über das Phantasie- und Buzz -Wort eingestuft sind. Neuronale ''. Sie sind auch sehr instabil. Haben Sie ein neuronales Netz probiert, um mit Xgboost zu vergleichen? Ich werde kein neuronales Netz versuchen, bis es selbstbewusst sein wird. Bis dahin fröhliches neuronales Netz :)

Lizenziert unter: CC-BY-SA mit Zuschreibung
Nicht verbunden mit datascience.stackexchange
scroll top