贝叶斯网络的应用实例一
以下内容摘录自www.norsys.com,根据实例内容意译译文。
贝叶斯网络应用实例一:胸部疾病诊所(Chest Clinic)
假想你是Los Angeles一名新毕业的医生,专攻肺部疾病。你决定建立一个胸部疾病诊所,主治肺病及相关疾病。大学课本已经中告诉你了肺癌、肺结核和支气管炎的发生比率以及这些疾病典型的临床症状、病因等,于是你就可以根据课本里的理论知识建立自己的Bayes网。如根据如下数据信息:
- 美国有30%的人吸烟.
- 每10万人中就就有70人患有肺癌.
- 每10万人中就就有10人患有肺结核.
- 每10万人中就就有800人患有支气管炎.
- 10%人存在呼吸困难症状, 大部分人是哮喘、支气管炎和其他非肺结核、非肺癌性疾病引起.
根据上面的数据可以建立如下BN模型:
这样的一个BN模型对你意义不大,因为它没有用到来你诊所病人的案例数据,不能反映真实病人的情况。当诊所诊治了数千病人后,会发现课本中所描述的北美的情况与实际诊所数据显示的情况是完全不同的,实际诊所数据显示:
- 50%的病人吸烟.
- 1%患有肺结核.
- 5.5% 得了肺癌.
- 45% 患有不同程度支气管炎.
将这些新数据输入到BN模型中,才真正的获得了对你有意义的实用BN模型:
现在,看看如何在日常诊断中用该BN模型。
首先,应该注意到,上述模型反映了一个来诊所求医的新患者,为诊断之前我们没有这个患者的任何信息。而当我们向患者咨询信息时,BN网中的概率就会自动调整,这就是贝叶斯推理最完美、强大之处。贝叶斯网络最强大之处在于从每个阶段结果所获得的概率都是数学与科学的反映,换句话说,假设我们了解了患者的足够信息,根据这些信息获得统计知识,网络就会告诉我们合理的推断。
现在看看如何增加个别病人信息调节概率。一个女病人进入诊所,我们开始和她谈论。她告诉我们她呼吸困难。我们将这个信息输入到网络。我们相信病人的信息,认为其存在100%呼吸困难。
可以观察到,一旦病人有呼吸困难症状,三种疾病的概率都增大了,因为这些疾病都有呼吸困难的症状。我们的病人存在这样的症状,某种程度上我们会推断这三种疾病可能性比较大,也增加了我们患者有严重疾病认识的信念。
仔细看看推断的过程:
- 明显增大的是支气管炎,从 45% 到 83.4%. 为什么会有如此大的增长呢?因为支气管炎病比癌症和肺结核更常见. 只要我们相信患者有严重的肺部疾病,那最支气管炎的可能性会更大些。
- 病人是抽烟者的几率也会随之增大,从50% 到63.4%.
- 近期访问过亚洲的几率也会增大: 从1% 到1.03%, 显然是不重要的.
- X光照片不正常的几率也会上涨,从11% 到16%.
知道现在我们还无法确认什么疾病困扰着我们的这个女患者,我们目前比较相信她患有支气管炎的可能性很大,但是,我们应该获得更多信息来确定我们的判断,如果我们现在就主观定了病症,她可能得的是癌症,那我们就是一个烂医生。这就需要更多信息来做最后的决定。
因此,我们按照流程依此问她一些问题,如她最近是不是去过亚洲国家,吃惊的是她回答了“是”。现在获得的信息就影响了BN模型。
患肺结核的几率显然增大,从 2%到 9%. 而患有癌症、支气管炎以及该患者是吸烟患者的几率都有所减少。为什么呢?因为此时呼吸困难的原因相对更倾向于肺结核。
继续问患者一些问题,假设患者是个吸烟者,则网络变为
此时注意到最好的假设仍然是认为患者患有支气管炎。为了确认我们要求她做一个X光透视,结果显示其正常。
这就更加肯定我们的推断她患有支气管炎。
如果X光显示不正常的话,则结果将有很大不同:
-
本文引用地址:http://blog.sciencenet.cn/blog-82650-255141.html 此文来自科学网邱士利博客,转载请注明出处。
贝叶斯网络的应用实例一相关推荐
- 贝叶斯网络实例(python)
一些使用python中pgmpy库构建贝叶斯网络的实例 pgmpy: Probabilistic Graphical Models using Python(http://conference.sci ...
- 在Python中使用贝叶斯网络的实例
我们在之前的文章中(请见文末给出的参考资料[1])已经介绍了贝叶斯网络的基本原理,以及基于贝叶斯网络进行概率推断(Exact Inference)的消去法.本文将结合一个具体的例子来演示在Python ...
- matlab bnt(贝叶斯网络)实例
#matlab bnt下的贝叶斯网络实例 #贝叶斯网络实例#详细教程 1.向matlab中添加FULLBNT 参照链接:https://blog.csdn.net/moodytong/article/ ...
- Stephen Wolfram专访Judea Pearl:从贝叶斯网络到元胞自动机
导语 2022年人工智能与数学国际研讨会(ISAIM 2022)恰逢著名计算机科学家.贝叶斯网络之父 Judea Pearl 85岁生日,会议期间Mathematica创始人 Stephen Wolf ...
- 分类算法之贝叶斯网络(Bayesian networks)
2.1.摘要 在上一篇文章中我们讨论了朴素贝叶斯分类.朴素贝叶斯分类有一个限制条件,就是特征属性必须有条件独立或基本独立(实际上在现实应用中几乎不可能做到完全独立).当这个条件成立时,朴素贝叶斯分类法 ...
- 算法杂货铺——分类算法之贝叶斯网络(Bayesian networks)
算法杂货铺--分类算法之贝叶斯网络(Bayesian networks) 2010-09-18 22:50 by T2噬菌体, 66011 阅读, 25 评论, 收藏, 编辑 2.1.摘要 在上一篇文 ...
- pytorch贝叶斯网络_贝叶斯神经网络:2个在TensorFlow和Pytorch中完全连接
pytorch贝叶斯网络 贝叶斯神经网络 (Bayesian Neural Net) This chapter continues the series on Bayesian deep learni ...
- 怎么通俗易懂地解释贝叶斯网络和它的应用?
作者:小杰 链接:https://www.zhihu.com/question/28006799/answer/38996563 来源:知乎 著作权归作者所有.商业转载请联系作者获得授权,非商业转载请 ...
- 朴素贝叶斯与贝叶斯网络
朴素贝叶斯与贝叶斯网络 标签(空格分隔): 机器学习 朴素贝叶斯 朴素贝叶斯朴素在哪里呢? -- 两个假设 一个特征出现的概率与其他特征(条件)独立: 每个特征同等重要. 朴素贝叶斯分类器 \(P(c ...
最新文章
- 讨论工字型接收线圈天线不同匝数对于低频定位信号检测影响:150kHz导航信号
- java——原型模式
- Hadoop源码阅读-HDFS-day2
- DNS主从服务器不同步的解决方法
- POJ 3615 floyd 求任意起点终点的最短路
- CSAPP第4章家庭作业参考答案
- android——fragment长时间home或者锁屏java.lang.IllegalArgumentException:No view found for id for.......
- MySQL学习笔记05【多表操作、三大范式、数据库的备份和还原】
- javaweb认识在web应用中重要的轮询机制(ajax)
- Java多线程(2)--Thread类继承和Runnable接口创建线程
- MapReduce既是编程模型又是计算框架
- birt报表表格边框_选开源报表开发还是商用?2020报表软件产品整理
- 有了PSD分层模板|花卉海报设计其实很简单!
- 尝试:以下矩阵size length ndims repmat isempty ismatix E=A(:,[1:3:5])什么意思?
- 【pygame游戏编程】第四篇-----打字测速游戏
- Eclipse官方汉化Zip包下载地址及安装方式
- 步进电机和伺服驱动器接线
- ZABBIX 3.0 使用详解
- 零知识证明之zk-snark 应用案例(零知识证明实战渔业监控【zksnark】)
- Java 首字母大写高效方法