- คำศัพท์ (A ถึง D)
- การควบคุมความสามารถของ AI
- AIOps
- อัลบั้ม
- ประสิทธิภาพของสินทรัพย์
- ตัวเข้ารหัสอัตโนมัติ
- การขยายพันธุ์หลัง
- ทฤษฎีบทเบย์
- ข้อมูลขนาดใหญ่
- Chatbot: คู่มือสำหรับผู้เริ่มต้น
- การคิดเชิงคำนวณ
- วิสัยทัศน์คอมพิวเตอร์
- เมทริกซ์ความสับสน
- เครือข่ายประสาทเทียม
- cybersecurity
- ผ้าข้อมูล
- การเล่าเรื่องข้อมูล
- ข้อมูลวิทยาศาสตร์
- คลังข้อมูล
- ต้นไม้ตัดสินใจ
- Deepfakes
- การเรียนรู้ลึก ๆ
- การเรียนรู้การเสริมแรงเชิงลึก
- devops
- DevSecOps
- แบบจำลองการแพร่กระจาย
- ดิจิตอลแฝด
- การลดขนาด
- คำศัพท์ (E ถึง K)
- เอดจ์ไอ
- อารมณ์ AI
- การเรียนรู้ทั้งมวล
- การแฮ็กอย่างมีจริยธรรม
- ETL
- AI ที่อธิบายได้
- สหพันธ์การเรียนรู้
- ฟินอ๊อฟ
- กำเนิด AI
- เครือข่ายผู้ให้กำเนิด
- กำเนิดเทียบกับการเลือกปฏิบัติ
- ไล่โทนสี
- โคตรไล่ระดับ
- การเรียนรู้ไม่กี่ช็อต
- การจำแนกรูปภาพ
- การดำเนินงานด้านไอที (ITOps)
- ระบบอัตโนมัติของเหตุการณ์
- วิศวกรรมอิทธิพล
- K-หมายถึงการจัดกลุ่ม
- K-เพื่อนบ้านที่ใกล้ที่สุด
- คำศัพท์ (L ถึง Q)
- คำศัพท์ (R ถึง Z)
- การเรียนรู้เสริมแรง
- AI ที่มีความรับผิดชอบ
- อาร์แอลเอชเอฟ
- ระบบอัตโนมัติของกระบวนการหุ่นยนต์
- มีโครงสร้าง vs ไม่มีโครงสร้าง
- การวิเคราะห์ความเชื่อมั่น
- อยู่ภายใต้การดูแล vs ไม่ได้รับการดูแล
- สนับสนุนเครื่องเวกเตอร์
- ข้อมูลสังเคราะห์
- สื่อสังเคราะห์
- การจัดประเภทข้อความ
- TinyML
- ถ่ายทอดการเรียนรู้
- เครือข่ายประสาทหม้อแปลง
- การทดสอบของทัวริง
- การค้นหาความคล้ายคลึงกันของเวกเตอร์
AI 101
ทฤษฎีบทเบย์สคืออะไร?
สารบัญ
หากคุณได้เรียนรู้เกี่ยวกับวิทยาศาสตร์ข้อมูลหรือการเรียนรู้ของเครื่อง ก็มีโอกาสสูงที่คุณจะเคยได้ยินเกี่ยวกับเรื่องนี้ คำศัพท์ "ทฤษฎีบทเบส์" ก่อนหน้าหรือ "ตัวแยกประเภท Bayes" แนวคิดเหล่านี้อาจทำให้เกิดความสับสน โดยเฉพาะอย่างยิ่งหากคุณไม่คุ้นเคยกับการคิดถึงความน่าจะเป็นจากมุมมองทางสถิติแบบดั้งเดิมที่ใช้บ่อย บทความนี้จะพยายามอธิบายหลักการเบื้องหลังทฤษฎีบท Bayes และวิธีการนำไปใช้ในการเรียนรู้ของเครื่อง
ทฤษฎีบทเบย์สคืออะไร?
ทฤษฎีบทเบย์เป็นวิธีการของ การคำนวณความน่าจะเป็นแบบมีเงื่อนไข. วิธีการแบบดั้งเดิมในการคำนวณความน่าจะเป็นแบบมีเงื่อนไข (ความน่าจะเป็นที่เหตุการณ์หนึ่งเกิดขึ้นเมื่อมีการเกิดเหตุการณ์ที่แตกต่างกัน) คือการใช้สูตรความน่าจะเป็นแบบมีเงื่อนไข คำนวณความน่าจะเป็นร่วมกันของเหตุการณ์ที่หนึ่งและเหตุการณ์ที่สองที่เกิดขึ้นในเวลาเดียวกัน แล้วหารมัน โดยความน่าจะเป็นของเหตุการณ์ที่สองที่เกิดขึ้น อย่างไรก็ตาม ความน่าจะเป็นแบบมีเงื่อนไขสามารถคำนวณในรูปแบบที่แตกต่างกันเล็กน้อยได้โดยใช้ทฤษฎีบทเบย์
เมื่อคำนวณความน่าจะเป็นแบบมีเงื่อนไขด้วยทฤษฎีบทเบย์ ให้ใช้ขั้นตอนต่อไปนี้:
- กำหนดความน่าจะเป็นที่เงื่อนไข B เป็นจริง โดยถือว่าเงื่อนไข A เป็นจริง
- กำหนดความน่าจะเป็นที่เหตุการณ์ A เป็นจริง
- คูณความน่าจะเป็นทั้งสองเข้าด้วยกัน
- หารด้วยความน่าจะเป็นที่เหตุการณ์ B จะเกิดขึ้น
ซึ่งหมายความว่า สูตรของ Bayes Theorem สามารถแสดงได้ดังนี้:
P(A|B) = P(B|A)*P(A) / P(B)
การคำนวณความน่าจะเป็นแบบมีเงื่อนไขเช่นนี้มีประโยชน์อย่างยิ่งเมื่อสามารถคำนวณความน่าจะเป็นแบบมีเงื่อนไขแบบย้อนกลับได้อย่างง่ายดาย หรือเมื่อคำนวณความน่าจะเป็นแบบร่วมที่มีความท้าทายเกินไป
ตัวอย่างทฤษฎีบทเบส์
สิ่งนี้อาจตีความได้ง่ายกว่าหากเราใช้เวลาพิจารณา ตัวอย่าง ว่าคุณจะใช้เหตุผลแบบเบย์และทฤษฎีบทแบบเบย์อย่างไร สมมติว่าคุณกำลังเล่นเกมง่ายๆ ที่ผู้เข้าร่วมหลายคนเล่าเรื่องราวให้คุณฟัง และคุณต้องตัดสินว่าผู้เข้าร่วมคนใดโกหกคุณ ลองเติมสมการสำหรับทฤษฎีบทเบย์ด้วยตัวแปรในสถานการณ์สมมตินี้
เรากำลังพยายามทำนายว่าแต่ละคนในเกมโกหกหรือพูดความจริง ดังนั้นหากมีผู้เล่นสามคนนอกเหนือจากคุณ ตัวแปรตามหมวดหมู่สามารถแสดงเป็น A1, A2 และ A3 หลักฐานสำหรับการโกหก/ความจริงคือพฤติกรรมของพวกเขา เช่นเดียวกับเมื่อเล่นโป๊กเกอร์ คุณจะมองหา “คำบอก” บางอย่างว่าคน ๆ หนึ่งกำลังโกหกและใช้ข้อมูลเหล่านั้นเป็นข้อมูลส่วนเล็ก ๆ เพื่อแจ้งการเดาของคุณ หรือหากคุณได้รับอนุญาตให้ซักถามพวกเขา มันก็จะเป็นหลักฐานใดๆ ที่ทำให้เรื่องราวของพวกเขาไม่ถูกรวมเข้าด้วยกัน เราสามารถแสดงหลักฐานว่าบุคคลหนึ่งโกหกเป็น B
เพื่อความชัดเจน เรากำลังตั้งเป้าที่จะทำนายความน่าจะเป็น (A กำลังโกหก/พูดความจริง|โดยได้รับหลักฐานจากพฤติกรรมของพวกเขา) ในการทำเช่นนี้เราต้องการหาความน่าจะเป็นที่ B จะได้รับ A หรือความน่าจะเป็นที่พฤติกรรมของพวกเขาจะเกิดขึ้นหากบุคคลนั้นโกหกหรือพูดความจริงอย่างแท้จริง คุณกำลังพยายามพิจารณาว่าพฤติกรรมที่คุณเห็นจะสมเหตุสมผลที่สุดภายใต้เงื่อนไขใด หากมีสามพฤติกรรมที่คุณเห็น คุณจะทำการคำนวณสำหรับแต่ละพฤติกรรม ตัวอย่างเช่น P(B1, B2, B3 * A) จากนั้นคุณจะทำสิ่งนี้ทุกครั้งที่เกิด A/สำหรับทุกคนในเกม ยกเว้นตัวคุณเอง นั่นคือส่วนหนึ่งของสมการข้างต้น:
P(B1, B2, B3,|A) * P|A
สุดท้าย เราก็แค่หารมันด้วยความน่าจะเป็นของ B
หากเราได้รับหลักฐานเกี่ยวกับความน่าจะเป็นจริงในสมการนี้ เราจะสร้างแบบจำลองความน่าจะเป็นขึ้นใหม่ โดยคำนึงถึงหลักฐานใหม่ สิ่งนี้เรียกว่าการอัปเดตข้อมูลก่อนหน้าของคุณ เมื่อคุณอัปเดตสมมติฐานของคุณเกี่ยวกับความน่าจะเป็นก่อนหน้าของเหตุการณ์ที่สังเกตได้ซึ่งเกิดขึ้น
แอปพลิเคชันการเรียนรู้ของเครื่องสำหรับทฤษฎีบทเบย์
การใช้ทฤษฎีบท Bayes ที่พบบ่อยที่สุดเมื่อพูดถึงการเรียนรู้ด้วยเครื่องจะอยู่ในรูปของอัลกอริทึม Naive Bayes
Naive Bayes ใช้สำหรับการจำแนกประเภทชุดข้อมูลทั้งแบบไบนารีและแบบหลายคลาส Naive Bayes ได้ชื่อนี้มาเนื่องจากค่าที่กำหนดให้กับพยานหลักฐาน/แอตทริบิวต์ – Bs ใน P(B1, B2, B3 * A) – ถือว่าเป็นอิสระต่อกัน ของกันและกัน สันนิษฐานว่าแอตทริบิวต์เหล่านี้ไม่มีผลกระทบซึ่งกันและกัน เพื่อทำให้โมเดลง่ายขึ้นและทำให้การคำนวณเป็นไปได้ แทนที่จะพยายามทำงานที่ซับซ้อนในการคำนวณความสัมพันธ์ระหว่างแอตทริบิวต์แต่ละรายการ แม้จะมีแบบจำลองที่เรียบง่ายนี้ แต่ Naive Bayes ก็มีแนวโน้มที่จะทำงานได้ดีในฐานะอัลกอริทึมการจัดหมวดหมู่ แม้ว่าข้อสันนิษฐานนี้อาจไม่เป็นความจริงก็ตาม (ซึ่งโดยส่วนใหญ่แล้ว)
นอกจากนี้ยังมี ตัวแปรที่ใช้กันทั่วไป ของลักษณนามว่า Naive Bayes เช่น Multinomial Naive Bayes, Bernoulli Naive Bayes และ Gaussian Naive Bayes
พหุนาม Naive Bayes อัลกอริทึมมักใช้เพื่อจำแนกเอกสาร เนื่องจากมีประสิทธิภาพในการตีความความถี่ของคำภายในเอกสาร
แบร์นูลลี นาอิฟ เบเยส ทำงานคล้ายกับ Multinomial Naive Bayes แต่การคาดคะเนที่แสดงโดยอัลกอริทึมนั้นเป็นบูลีน ซึ่งหมายความว่าเมื่อทำนายคลาส ค่าจะเป็นไบนารี ไม่ใช่ หรือใช่ ในขอบเขตของการจำแนกข้อความ อัลกอริทึม Bernoulli Naive Bayes จะกำหนดพารามิเตอร์เป็น ใช่ หรือ ไม่ใช่ ขึ้นอยู่กับว่าพบคำในเอกสารข้อความหรือไม่
หากค่าของตัวทำนาย/คุณสมบัติไม่ต่อเนื่องกัน แต่มีค่าต่อเนื่องกัน เกาส์เซียน ไร้เดียงสา เบย์ส สามารถใช้ได้. สันนิษฐานว่าค่าของคุณลักษณะต่อเนื่องได้รับการสุ่มตัวอย่างจากการแจกแจงแบบเกาส์เซียน
บล็อกเกอร์และโปรแกรมเมอร์ที่มีความเชี่ยวชาญด้าน เครื่องเรียนรู้ และ การเรียนรู้ลึก ๆ หัวข้อ Daniel หวังว่าจะช่วยให้ผู้อื่นใช้พลังของ AI เพื่อประโยชน์ทางสังคม
คุณอาจชอบ
LoReFT: การปรับแต่งการเป็นตัวแทนสำหรับโมเดลภาษา
BlackMamba: การผสมผสานของผู้เชี่ยวชาญสำหรับโมเดลรัฐและอวกาศ
จาก Sketch สู่ Platformer: แนวทางทางศิลปะของ Google Genie สู่การสร้างเกม
คิดใหม่เกี่ยวกับความสามารถในการทำซ้ำในฐานะขอบเขตใหม่ในการวิจัย AI
สัญญาณรบกวนในการประมวลผลภาพคืออะไร? – ไพรเมอร์
แมชชีนเลิร์นนิงแบบเดิมยังเกี่ยวข้องอยู่หรือไม่