Der Apriori-Algorithmus findet einige Implikationsregeln.
Ähnliche Ergebnisse liefern Bayes'sche Netzwerke.
Was ist der wesentliche Unterschied? Was sind die spezifischen Vor- und Nachteile?
Bearbeiten:
Der Apriori-Algorithmus generiert Zuordnungsregeln als eine Art Implikation, die auf dem folgenden Bild (aus diesem Dokument entnommen ) visuell überprüft werden können .
Antworten:
Diese Frage ähnelt der Frage: Was ist der Unterschied zwischen parametrischen und nicht parametrischen Modellen?
Das Bayes'sche Netzwerk kann als parametrisches Modell angesehen werden. Wo wir explizite Annahmen zu den Zufallsvariablen und Abhängigkeiten zwischen Zufallsvariablen haben (vorausgesetzt, wir machen nur Parameterlernen, kein Strukturlernen).
Der Apriori-Algorithmus ist eine Art "Data Mining" -Algorithmus, was bedeutet, dass er alle Muster mit einem effektiven Algorithmus liefert, nicht wirklich "maschinelles Lernen", dh bestimmte Parameter lernen / einstellen, um bestimmte Zielfunktionen zu optimieren.
Welches ist besser? oder Vor- und Nachteile? Genau wie die Diskussion über das parametrische Modell im Vergleich zum nicht parametrischen Modell. Wenn die Bayes'schen Netzwerkannahmen gut sind, ist es "besser". Auf der anderen Seite kann Apriori besser sein, wenn die Annahmen nicht korrekt sind.
Außerdem werden das Bayes'sche Netzwerk und der Apriori-Algorithmus unterschiedlich verwendet.
Bayesianische Netzwerke werden hauptsächlich zur "Inferenz" verwendet. Fragen, die wir dem Bayesian Network stellen können, lauten wie folgt: "Wenn ich weiß, dass A und B passiert sind, wie groß ist die Chance, dass C passiert und D nicht passiert?" Das Modell gibt die Wahrscheinlichkeiten der Abfrage an.
Der Apriori-Algorithmus wird verwendet, um häufige Elemente festzulegen, die die Bedingung erfüllen. Die typische Frage wäre "Was sind die häufigsten Elemente, die zusammenkommen", was sich von der in Bayesian Networks erwähnten bedingten Wahrscheinlichkeitsabfrage unterscheidet.
Informell gesehen können wir denken, dass Apriori versucht, Fragen zur gemeinsamen Wahrscheinlichkeit zu stellen und alle Hochfrequenzkombinationen zu speichern. Auf der anderen Seite versucht das Bayes'sche Netzwerk, Fragen zur bedingten Wahrscheinlichkeit zu stellen: Welche Hypothese ist angesichts der Daten wahrscheinlicher?