Bayes ağı: Revizyonlar arasındaki fark

Bir '''Bayes ağı,''' '''Bayes modeli''' ya da '''olasılıksal yönlü dönüşsüz çizge modeli''' bir [[Çizge kuramı|olasılıksal çizge modelidir]] (bir çeşit [[istatistiksel model]]) ve birbirleriyle [[Koşullu olasılık|koşulsal bağımlılıklara]] sahip bir [[rassal değişken]]ler kümesini yönlü dönüşsüz çizge(YDÇ) şeklinde ifade eder.<ref name=russell>{{kitap kaynağı|yazar1=Stuart Russell|yazar2=Peter Norvig|başlık=Artificial Intelligence A Modern Approach Third Edition|tarih=1995|yayıncı=PRENTICE HALL|yer=Upper Saddle River, New Jersey|isbn=978-0-13-604259-4|sayfalar=511|erişimtarihi=6 Şubat 2018}}</ref> Örneğin, bir Bayes ağı kullanılarak hastalıklar ve semptomları arasındaki olasılıksal koşul ilişkileri modellenebilir. Bu model kullanılarak, bir kişide görülen semptomlar verildiğinde bu kişinin bazı hastalıklara sahip olma olasılıkları hesaplanabilir.

Bayes ağları, her düğümü bir rassal değişkeni ifade eden YDÇ'lerdir.<ref name=seker>{{web kaynağı|yazar1=Şadi Evren ŞEKER|başlık=Bayes Ağları (Bayesian Network)|url=http://bilgisayarkavramlari.sadievrenseker.com/2008/12/21/bayes-aglari-bayesian-network/|website=bilgisayarkavramlari|erişimtarihi=6 Şubat 2018|dil=Türkçe|tarih=Aralık 21, 2008}}</ref> Gözlemlenebilir nicelikler, gizli değişkenler, bilinmeyen parametreler ya da hipotezler birer Bayes rassal değişkeni olabilirler. Birbirine herhangi bir şekilde bağlı olmayan düğümler birbirlerinden [[Koşulsal bağımsızlık|koşulsal bağımsızdırlar]]. Her düğüm, girdi olarak ebeveyn düğümlerinin değerlerini alan ve çıktı olarak o düğümün ifade ettiği değişkenin alabileceği değerlerin olasılıklarını (duruma göre olasılık dağılımını) veren bir olasılık fonksiyonu ile ilişkilendirilmiştir.<ref name=russell /> Örneğin, eğer <math>m</math> ebeveyn düğüm <math>m</math> [[Boole'ca|Bool değişkenini]] ifade ediyorsa olasılık fonksiyonu <math>2^m</math> hücreli bir tablo ile gösterilebilir; ebeveyn değişkenlerinin alabileceği <math>2^m</math> doğru ya da yanlış değerlerinin her biri için bir hücre.