본문 바로가기
AI 모델/Probabilistic Graphical Models(PGM)

[베이지안 네트워크] Bayesian Network Fundamentals 베이지안 네트워크 기초

by 데이터 벌집 2024. 6. 7.
반응형

베이지안 네트워크(Bayesian Network)는 확률적 그래픽 모델의 일종으로, 변수들 간의 의존 관계를 시각적으로 표현하고 이를 기반으로 확률 추론을 가능하게 합니다. 이러한 모델은 복잡한 문제를 해결하는 데 유용하며, 특히 인공지능, 데이터 마이닝, 머신 러닝 분야에서 널리 사용됩니다.

 

[PGM] Bayesian Network Fundamentals

베이지안 네트워크의 기초

  1. 노드(Node): 각 노드는 하나의 변수(variable)를 나타냅니다. 이 변수는 다양한 상태(state)를 가질 수 있습니다.
  2. 엣지(Edge): 노드 간의 엣지는 변수들 간의 의존 관계를 나타냅니다. 방향성이 있는 화살표로 표시되며, 이는 한 변수의 값이 다른 변수의 값에 영향을 미친다는 것을 의미합니다.
  3. 조건부 확률표(CPT, Conditional Probability Table): 각 노드는 자신의 부모 노드가 주어졌을 때의 조건부 확률을 나타내는 CPT를 가집니다. 이를 통해 특정 상태가 발생할 확률을 계산할 수 있습니다.

예제: 스프링클러 문제

스프링클러 문제는 베이지안 네트워크의 고전적인 예제로, 간단한 네트워크를 통해 개념을 설명합니다.

문제 설명:

  • 변수:
    • RR: 비가 오는가? (Rain)
    • SS: 스프링클러가 작동하는가? (Sprinkler)
    • WW: 잔디가 젖었는가? (Wet Grass)

네트워크 구조:

  • 비가 오면 스프링클러가 작동할 확률에 영향을 미칩니다.
  • 비가 오거나 스프링클러가 작동하면 잔디가 젖을 확률에 영향을 미칩니다.

이 관계를 나타내는 베이지안 네트워크는 다음과 같습니다:

 

 

    R     S
     \   /
      \ /
       W

 

Conditional Probability
베이지안 네트워크를 활용해 다양한 조건부 확률

 

이와 같은 방식으로 베이지안 네트워크를 활용해 다양한 조건부 확률을 계산할 수 있습니다.

베이지안 네트워크는 복잡한 의사결정 문제를 해결하는 데 매우 유용한 도구입니다. 이 기초 개념과 예제를 통해 베이지안 네트워크의 기본 원리를 이해하고, 이를 다양한 분야에 응용할 수 있는 기초를 다질 수 있습니다.

반응형