أساسيات الذكاء الاصطناعي
ما هو مبرهنة بايز؟
أضف Unite.AI إلى مصادرك المفضلة على Google
مبرهنة بايز تصف كيفية تحديث احتمال الفرضية بعد ملاحظة الأدلة. إنها تربط احتمال الأدلة بشرط الفرضية مع احتمال الفرضية بشرط الأدلة.
هذا التمييز أساسي في التفكير الإحصائي والتعلم الآلي. يمكن أن يكون الاختبار دقيقًا جدًا عندما تكون الحالة موجودة بينما لا يزال للنتيجة الإيجابية احتمال معتدل في الإشارة إلى الحالة إذا كانت نادرة.
النقاط الرئيسية
- النتيجة اللاحقة تجمع بين الاعتقاد السابق واحتمال الأدلة الملاحظة.
- مصطلح الأدلة يطبع الفرضيات الممكنة.
- معدلات الأساس يمكن أن تهيمن على الأدلة التي تبدو قوية.
- يفترض بايز الساذج أن الميزات مستقلة شرطيةً بالنسبة للفئة، وليس مستقلة في كل حالة.
الصيغة
P(A|B) = P(B|A)P(A) / P(B)
- P(A) هو الاحتمال السابق للفرضية A.
- P(B|A) هو احتمال ملاحظة الدليل B إذا كانت A صحيحة.
- P(B) هو الاحتمال الكلي للدليل.
- P(A|B) هو الاحتمال اللاحق للفرضية A بعد ملاحظة B.
تستنتج المبرهنة من تعبيرين متكافئين لاحتمال الاشتراك: P(A ∩ B) = P(B|A)P(A) و P(A ∩ B) = P(A|B)P(B).
مثال عددي على معدل الأساس
افترض أن حالة ما تؤثر على 1٪ من السكان. الاختبار لديه حساسية 90٪ ومعدل إيجابيات كاذبة 5٪. لنأخذ 1,000 شخص:
- حوالي 10 أشخاص لديهم الحالة؛ الاختبار يحدد 9 منهم بشكل صحيح.
- حوالي 990 لا يمتلكونها؛ معدل الإيجابيات الكاذبة 5٪ يحدد تقريبًا 50 شخصًا.
- وبالتالي هناك حوالي 59 نتيجة إيجابية، منها 9 إيجابيات حقيقية.
احتمال وجود الحالة بعد نتيجة إيجابية هو تقريبًا 9 / 59 ≈ 15%، وليس 90٪. حساسية الاختبار تجيب على P(positive | condition)؛ بينما عادةً ما يرغب المستخدم في P(condition | positive). تربط مبرهنة بايز بينهما باستخدام معدل الأساس.
التحديث البايزي
مع وصول أدلة جديدة، يمكن أن يصبح الاحتمال اللاحق هو الاحتمال السابق للتحديث التالي. يحدد نموذج بايزي كامل الفرضيات الممكنة، التوزيعات السابقة، الاحتمال، والكمية المراد استنتاجها. يُمثَّل عدم اليقين بتوزيع لاحق بدلاً من تقدير نقطي فقط.
يجب توثيق الاحتمال السابق واختباره للحساسية. يمكن أن يُنظِّم احتمال سابق ضعيف المعلومات قيمًا غير معقولة، بينما قد يهيمن احتمال سابق قوي مختار بشكل سيء على البيانات القليلة.
مصنفات بايز الساذجة
تتنبأ بايز الساذجة بفئة y بناءً على الميزات x₁ … xₙ باستخدام مبرهنة بايز والافتراض:
P(x₁, …, xₙ | y) = Π P(xᵢ | y)
يفترض أن الميزات مستقلة شرطيةً بعد معرفة الفئة. غالبًا ما يكون هذا غير واقعي، ومع ذلك يمكن للمصنف أن يعمل جيدًا عندما تكون درجات الفئات الناتجة لا تزال مفيدة.
الأنواع الشائعة
- Multinomial Naive Bayes نمذجة ميزات شبيهة بالعدد وتُستخدم شائعًا في تصنيف المستندات.
- Bernoulli Naive Bayes نمذجة وجود الميزات الثنائية.
- Gaussian Naive Bayes نمذجة كل ميزة مستمرة باستخدام توزيع غاوسي مشروط بالفئة.
- Categorical Naive Bayes نمذجة الفئات المتقطعة.
التنعيم والاستقرار العددي
إذا لم يظهر قيمة ميزة مع فئة معينة أثناء التدريب، قد يصبح تقدير الاحتمال غير المُنعم صفرًا ويُزيل الضرب بأكمله. يمنع التنعيم الجمعي أو نمط لابلاس ذلك. تحسب التطبيقات احتمالات لوغاريتمية بحيث يصبح ضرب قيم صغيرة كثيرة عملية جمع قيم لوغاريتمية مستقرة.
الاحتمالات، الدرجات، والمعايرة
قد تكون مخرجات احتمالية بايز الساذجة غير معايرة جيدًا لأن الميزات المرتبطة تُحصى فعليًا أكثر من مرة. قد يصنف المصنف الفئات بدقة بينما يبالغ في الثقة. يجب تقييم المعايرة على بيانات احتياطية عندما تُستخدم الاحتمالات في اتخاذ القرارات.
بايز ما وراء بايز الساذج
يدعم الاستدلال البايزي النماذج الهرمية، اختبارات A/B، تقدير المعلمات العلمية، التنبؤ، اتخاذ القرارات مع مراعاة عدم اليقين، والنماذج الرسومية الاحتمالية. تُستخدم طرق تقريبية مثل سلسلة ماركوف مونت كارلو والاستدلال التبايني عندما لا يمكن حساب التوزيع اللاحق بصيغة مغلقة.
الأخطاء الشائعة في الاستدلال
- خلط
P(A|B)معP(B|A). - تجاهل معدل الأساس النادر أو الشائع.
- معاملة الاحتمال السابق كموضوعي أو تركه غير موثق.
- افتراض أن الاحتمال العالي يعني تلقائيًا احتمالًا لاحقًا عاليًا.
- تفسير ارتباط تنبؤي كسببية.
الاحتمال الشرطي، الاحتمالات، والأدلة
ترتبط مبرهنة بايز احتمال الفرضية بعد الأدلة باحتمالها السابق، واحتمال ملاحظة تلك الأدلة تحت الفرضية، والاحتمال الكلي للأدلة. في صيغة الاحتمالات، تساوي احتمالات النتيجة اللاحقة احتمالات النتيجة السابقة مضروبة في نسبة الاحتمال. هذا يفصل ما كان يُعتقد قبل الاختبار عن مدى قوة الاختبار في تمييز الفرضيات. يمكن لاختبار يبدو دقيقًا للغاية أن ينتج العديد من الإيجابيات الكاذبة عندما تكون الحالة نادرة لأن معدل الأساس يدخل في النتيجة اللاحقة.
الاحتمال هو دالة للفرضية بالنسبة للبيانات الملاحظة الثابتة ولا ينبغي الخلط بينه وبين احتمال الفرضية. تطبيع الأدلة يجمع أو يدمج عبر الفرضيات المتنافسة. يمكن أن تبسط افتراضات الاستقلال الشرطي الحساب، كما في بايز الساذج، ولكن يجب فحصها ضد العواقب. لا يمكن ضرب قطع متعددة من الأدلة كأنها مستقلة عندما تشترك في الأسباب أو تكرار المعلومات. اتجاه السبب مهم أيضًا: P(evidence|hypothesis) ليس عمومًا P(hypothesis|evidence)، وهو الخطأ الكلاسيكي في الاحتمال العكسي.
خيارات النمذجة، الحساب، واستخدام القرار
تحدد التحليل البايزي احتمالًا سابقًا، واحتمالًا، وتوزيعًا تنبؤيًا لاحقًا. يمكن أن تُشفِّر الاحتمالات السابقة معرفة مُثبتة، أو تُنظِّم عينات صغيرة، أو تكون ضعيفة المعلومات؛ يجب تبريرها واختبارها عبر تحليل الحساسية. النماذج المترافقة تُعطي تحديثات تحليلية، بينما تُقَرِّب سلسلة ماركوف مونت كارلو، والاستدلال التبايني، والطرق المتسلسلة التوزيعات اللاحقة المعقدة. يجب تشخيص التقارب، حجم العينة الفعّال، خطأ التقريب، ومعقولية التنبؤ السابق بدلاً من الإبلاغ عن رقم لاحق دون فحوصات حسابية.
إن احتمال النتيجة اللاحقة يُعطي معلومات لكنه لا يختار الإجراء بمفرده. تتطلب القرارات خسائر، فوائد، قيود، والبدائل المتاحة. قيم النماذج الاحتمالية بالمعايرة، قواعد التقييم السليمة، وفحوصات التنبؤ اللاحقة على بيانات جديدة. حدّث فقط بالأدلة التي جُمعت ضمن عملية نمذجة؛ يمكن للتحيز الاختياري وتحول مجموعة البيانات إبطال الاحتمال. تواصل الفواصل الموثوقة والافتراضات دون اعتبارها كنطاقات تكرارية مضمونة. مبرهنة بايز هي جبر احتمالي دقيق، بينما جودة الاستنتاج البايزي تعتمد على النموذج والأدلة المقدمة.
مثال عملي: تفسير اختبار تشخيصي
يملك الاختبار حساسية 95٪ وتحديد خاصية 90٪، لكن الحالة تؤثر فقط على 1٪ من السكان المفحوصين. بالنسبة لـ 10,000 شخص، يُتوقع حوالي 95 إيجابية حقيقية و990 إيجابية كاذبة، مما ينتج قيمة تنبؤية إيجابية أقل من 9٪. تجعل مبرهنة بايز تأثير معدل الأساس واضحًا. تُظهر العملية عدد السكان، عتبة الاختبار، وعدم اليقين بدلاً من الترويج للحساسية كاحتمال صحة النتيجة الإيجابية. هذا التمييز أساسي أيضًا في علوم البيانات.
يقوم الأطباء بتحديث الاحتمال بأدلة إضافية فقط عندما يُنمذج الاعتماد بين الاختبارات. تشمل عتبة القرار ضرر الفقدان المرضي، مخاطر الاختبار التأكيدي، التكلفة، وتفضيل المريض. تُفحص المعايرة في السكان المحليين، وتؤدي تغييرات الانتشار إلى مراجعة. يدعم الاحتمال اللاحق النقاش والخطوات التالية؛ ولا يحل محل التشخيص التأكيدي. يستخدم التقرير الترددات الطبيعية وتحليل الحساسية حتى يتمكن المرضى والممارسون من رؤية كيفية تغير الاستنتاج تحت افتراضات معقولة.
دليل التنفيذ والاستعداد التشغيلي
يتطلب قرار الإنتاج أكثر من مجرد عرض ناجح. عرّف المستخدمين المستهدفين، بيئة التشغيل، المدخلات، المخرجات، الاعتماديات، المالك، وعواقب كل فشل مهم. أنشئ خط أساس قابل لإعادة الإنتاج ومجموعة تقييم مُصدَّرة قبل الضبط. اختبر الحالات العادية، ظروف الحدود، المدخلات المشوهة أو المفقودة، تحول التوزيع، انقطاع الاعتماديات، سوء الاستخدام، والمجموعات أو البيئات الأكثر احتمالًا لتكون غير مخدومة. قس جودة المهمة مع المعايرة أو عدم اليقين، زمن الاستجابة، معدل النقل، تكلفة الموارد، إمكانية الوصول، الخصوصية، والأمان. سجِّل كل تحويل وعَتبة حتى يتمكن مراجع مستقل من إعادة إنتاج النتيجة والتمييز بين الأدلة والنموذج الأولي الجذاب.
قبل الإطلاق، عيّن سلطة للإصدار، الاستثناءات، التغييرات، الاسترجاع، والتقاعد. استخدم نشرًا مرحليًا، احفظ نسخة احتياطية آمنة، وتحقق من المراقبة عبر إدخال أعطال متعمدة. يجب أن تكشف بيانات التتبع التشغيلية عن جودة المدخلات، سلوك المخرجات، نسخة النموذج أو القاعدة، صحة الاعتماديات، التدخل البشري، والنتائج المؤكدة دون جمع بيانات حساسة غير ضرورية. عرّف عتبات التنبيه ومالك الاستجابة، ثم راجع الأدلة الواقعية بعد النشر بدلاً من افتراض استمرار الأداء غير المتصل. أعد التقييم كلما تغيرت مصادر البيانات أو المستخدمون أو النماذج أو البائعون أو السياسات أو الأجهزة أو الأهداف. يحتاج النظام المُحافظ أيضًا إلى وثائق استعادة، تعلم من الحوادث، إجراءات الحذف والاحتفاظ، ونقطة واضحة يجب فيها تعطيله أو استبداله.
الأسئلة المتكررة
ما الفرق بين دالة الاحتمال والاحتمال؟
عند تثبيت المعلمات، يخصص النموذج احتمالًا للبيانات الممكنة. عند تثبيت البيانات الملاحظة، يمكن اعتبار نفس التعبير كدالة احتمال للمعلمات الممكنة. قد تتطابق الصيغة العددية بينما يختلف التفسير.
هل بايز الساذج استدلال بايزي كامل؟
إنه يستخدم مبرهنة بايز للتصنيف ضمن نموذج استقلالية شرطية قوي. أما الاستدلال البايزي الأوسع فيضع توزيعات على المتغيرات غير المعروفة ويستند إلى توزيع لاحق.
المراجع الأساسية
