Esin KÖKSAL BABACAN, Melike Özlem KARADUMAN

Bayes Ağları-K2 Algoritması Üzerine Bir Çalışma

Değişkenler arasındaki ilişkilerin oklar ve düğümler yardımıyla grafiksel gösterimi Bayes ağlarının temelini oluşturur. Okların yönüne göre ebeveyn ve çocuk isimlerini alan rasgele değişkenler ile bu rasgele değişkenlere ait koşullu ve marjinal olasılıklar istenilen bir olayın olasılığının hesaplanmasında araştırmacıya büyük kolaylık sağlar. Bayes ağları “Nedensel Bayes Ağları” ve “Algoritmalara Dayalı Bayes Ağları” olmak üzere iki yöntemle oluşturulabilir. Her iki yöntemin kendi içerisinde avantajları mevcuttur ve araştırma konusuna göre farklılık göstermektedir. Ağ oluştururken kullanılan farklı bir çok algoritma vardır. Bu algoritmalardan biri K2 algoritmasıdır. Bu çalışmada birer örnek ile Nedensel Bayes Ağlarının ve Algoritmalara Dayalı Bayes Ağlarının nasıl oluşturulduğu anlatılmaktadır.

Anahtar Kelimeler:

Bayes ağları, K2 algoritması, Nedensel Bayes ağları, Algoritmalara dayalı Bayes ağları

A study on Bayesian Network-K2 Algorithm

The basis of the Bayesian networks is the graphical representation of the arrows and nodes which represent relationships between variables. Random variables that take parent and child names according to the direction of the arrows and conditional and marginal probabilities of these random variables provide great convenience to the researcher in calculating the likelihood of a desired event. Bayesian networks can be created in two ways: "Causal Bayesian Networks" and "Algorithm Based Bayesian Networks". Both methods have advantages within themselves and vary according to the research topic. There are many different algorithms that are used when networking. One of these algorithms is the K2 algorithm. In this work, it is explained how to construct Causal Bayesian Networks and Algorithm Based Bayesian Networks on one example for each.

Keywords:

Bayesian Networks, K2 algorithm, Causal Bayesian Networks, Algorithm Based Bayesian Networks,

PDF

___

Cooper,G. F., Herskovits, E., (1993). A bayesian method for the induction of probabilistic networks from data. Technical Report KSL-91-02, Knowledge Systems Laboratory. Medical Computer Science. Stanford University School of Medicine, Stanford, CA 94305-5479, Updated Nov. Available at: http://smiweb.stanford.edu/pubs/SMI Abstracts/SMI-91-0355.html.
Çinicioğlu, E. N., Ekici, Ş. Ö., Ülengin, F., (2015). Bayes Ağ Yapısının Oluşturulmasında Farklı Yaklaşımlar: Nedensel Bayes Ağları ve Veriden Ağ Öğrenme. Halil Sarıaslan Armağan Kitap, Ali Argun Karacabeyi Ed. Siyasal Kitabevi-Ünal Sevindik, Ankara, ss. 267-286.
Laskey, K. B., Mahoney, S. M., (1997). Network fraggments: Representing Knowledge for Constructing Probabilistic Models, Proceedings of the Thirteenth Conference on Uncertainty in Artificial Intelligence , pp. 334-341, Morgan Kaufmann Publishers Inc.
Liu,F., Tian,F., Zhu, Q., (2007). An Improved Greedy Bayesian Network Learning Algorithm on Limited Data. Artificial Neural Networks-ICANN Porto 2007 17th International Conference Proceedings, Lecture Notes in Computer Science, 4668, 49–57.
Pearl, J., (1988). Probabilistic Reasoning in Inteligent Systems: Networks of Plausible Inference, Morgan Kaufmann.
Scutari M., (2011). Measures of Variability for Graphical Models. PhD thesis, Universita degli Studi di Padova, Dipartimento di Scienze Statistiche.
Tsamardinos I., Aliferis C. F., Statnikov A., (2003). Algorithms for Large Scale Markov Blanket Discovery. In Proceedings of the 16th International Florida Artificial Intelligence Research Society Conference, 376-381.
URL-1. https://www.youtube.com/watch?v=4fcqyzVJwHM (Erişim Tarihi:4 Nisan 2017)