Zunächst versuchen wir, die Art des Problems anzugeben, das mit diesen Methoden gelöst werden soll. Wenn ein Problem unkompliziert ist (Polynom oder NP Complete), können Algorithmen eingesetzt werden, die eine deterministische Antwort liefern, indem die Axiome einfach nach logischen Regeln rekombiniert werden. Wenn dies jedoch nicht der Fall ist, müssen wir uns auf eine Argumentationsmethode verlassen, bei der wir versuchen, das Problem als heterogen zu behandeln und es an ein Netzwerk anzuschließen, wobei die Knoten Auswertungen und die Kanten Pfade zwischen den Komponenten sind .
Bei jeder Art von netzwerkbasiertem Denken schließen wir nicht deduktiv mit abstrakten Verallgemeinerungen und Kombinationen nach logischen Regeln in einem linearen Fluss, sondern lösen das Problem auf der Grundlage der Ausbreitung des Denkens in verschiedene Richtungen, so dass wir es lösen Das Problem wird Knoten für Knoten gelöst und ist offen für Verbesserungen bei der Entdeckung neuer Fakten zu zukünftigen Knoten. Lassen Sie uns nun sehen, wie jede dieser Techniken diese Methode der Problemlösung auf ihre eigene Weise angeht.
Neuronales Netzwerk:
Das neuronale Netzwerk ist eine Black Box, bei der angenommen wird (von außerhalb des Systems nie überprüft werden konnte), dass Verbindungen zwischen einzelnen Knoten durch wiederholte externe Verstärkungen hergestellt und verstärkt werden. Es nähert sich dem Problem in einem konnektionistischen Paradigma. Das Problem ist wahrscheinlich gelöst, aber es gibt wenig Erklärbarkeit. Das neuronale Netz wird heute aufgrund seiner Fähigkeit, schnelle Ergebnisse zu erzielen, häufig verwendet, wenn das Problem der Erklärbarkeit übersehen wird.
Bayesian Network:
Das Bayes'sche Netzwerk ist ein gerichteter azyklischer Graph, der eher dem Flussdiagramm ähnelt, nur dass das Flussdiagramm zyklische Schleifen aufweisen kann. Das Bayes'sche Netzwerk kann im Gegensatz zum Flussdiagramm mehrere Startpunkte haben. Grundsätzlich wird die Ausbreitung von Ereignissen über mehrere mehrdeutige Punkte verfolgt, an denen das Ereignis wahrscheinlich zwischen den Pfaden divergiert. Offensichtlich ist an jedem beliebigen Punkt im Netzwerk die Wahrscheinlichkeit, dass dieser Knoten besucht wird, von der gemeinsamen Wahrscheinlichkeit der vorhergehenden Knoten abhängig. Das Bayes'sche Netzwerk unterscheidet sich insofern vom Neuronalen Netzwerk, als es explizit begründet ist, obwohl es probabilistisch ist und daher mehrere stabile Zustände haben kann, basierend auf jedem Schritt, der innerhalb gesetzlicher Werte überprüft und modifiziert wird, genau wie ein Algorithmus. Es ist ein robuster Weg, probabilistisch zu argumentieren, aber es beinhaltet die Kodierung von Wahrscheinlichkeiten,
Entscheidungsbäume:
Der Entscheidungsbaum ist wieder ein Netzwerk, das eher einem Flussdiagramm ähnelt und näher am Bayes'schen Netzwerk liegt als am neuronalen Netz. Jeder Knoten hat mehr Intelligenz als das neuronale Netz, und die Verzweigung kann durch mathematische oder probabilistische Auswertungen bestimmt werden. Die Entscheidungen sind einfache Auswertungen auf der Grundlage von Häufigkeitsverteilungen wahrscheinlicher Ereignisse, bei denen die Entscheidung probabilistisch ist. In Bayes'schen Netzwerken basiert die Entscheidung jedoch auf der Verteilung von „Beweisen“, die auf ein eingetretenes Ereignis hinweisen, und nicht auf der direkten Beobachtung des Ereignisses.
Ein Beispiel
Wenn wir zum Beispiel die Bewegung eines menschenfressenden Tigers durch einige Himalaya-Dörfer vorhersagen würden, die sich zufällig am Rand eines Tigerreservats befinden, könnten wir dies wie folgt modellieren:
In einem Entscheidungsbaum würden wir uns auf Expertenschätzungen stützen, ob ein Tiger die Wahl zwischen offenen Feldern hätte oder ob Flüsse sich für letzteres entscheiden würden. In einem Bayesianischen Netzwerk verfolgen wir den Tiger anhand von Mops-Markierungen, begründen dies jedoch auf eine Weise, die anerkennt, dass diese Mops-Markierungen möglicherweise von einem Tiger ähnlicher Größe stammen, der routinemäßig auf seinem Territorium patrouilliert. Wenn wir ein neuronales Netz verwenden möchten, müssten wir das Modell wiederholt unter Verwendung verschiedener Verhaltensmerkmale des Tigers im Allgemeinen trainieren, z Lassen Sie das Netzwerk generell über den Kurs nachdenken, den der Tiger nehmen könnte.