Reti di credenze Esercizi.

Presentazione sul tema: "Reti di credenze Esercizi."— Transcript della presentazione:

1 Reti di credenze Esercizi

2 2-Test Cancer example Sebastian Thrun – Peter Norvig Intro to AI
P(C) = 0.01 P(¬C) = 0.99 P(+|C) = 0.9 P(-|C) = 0.1 P(-|¬C) = 0.8 P(+|¬C) = 0.2 Calcolare P(C|T1=+, T2=+) = P(C|++)

3 Calcolare P(C|T1=+, T2=+) = P(C|++)

4 fattore di normalizzazione
Metodo alternativo: si applica la regola di Bayes per le prove multiple   P(Z|X,Y) =  P(Z) P(X|Z) P(Y|Z) dove  è una costante di normalizzazione tale che i valori in P(Z|X,Y) sommati diano 1. non normalizzata prior + P’ P(C|++) C 0.01 0.9 0.0081 0.0081/0.0477 ¬C 0.99 0.2 0.0396 normalizzazione 0.0477 fattore di normalizzazione

5 2-Test Cancer example caso 2
Con i dati precedenti, calcolare P(C|T1=+,T2=-) = P(C|+-) non normalizzata prior + - P’ P(C|++) C 0.01 0.9 0.1 0.0009 0.0009/0.1593=0.0056 ¬C 0.99 0.2 0.8 0.1584 normalizzazione fattore di normalizzazione 0.1593

6 2-Test Cancer example caso 3
P(C) = 0.01 P(¬C) = 0.99 P(+|C) = 0.9 P(-|C) = 0.1 P(-|¬C) = 0.8 P(+|¬C) = 0.2 Calcolare P(T2=+)|T1=+)

7 I metodo: Sapere che T1=+ modifica le probabilità di C:

8 Quindi: P(T2=+) =P(T2|C’)P(C’)+P(T2|¬C’)P(¬C)= =0.9   =

9 Giustificazione formale:

10

11

12 Il metodo intuitivo è quindi corretto.

13 II metodo (S. Thrun) Si applica la probabilità totale: P(T2|T1) = P(T2|T1,C)∙P(C|T1)+P(T2|T1,C)∙P(C|T1) Per l’indipendenza condizionale, vale: P(T2|T1,C)= P(T2|C) P(T2|T1,C)= P(T2|C) e i valori di P(C|T1) e P(C|T1) si calcolano come visto sopra.

14 Happiness example Sono felice (happy) se è soleggiato (sunny) e ricevo un aumento (raise). S R H

15 Dati della rete: P(S) = 0.7 P(R) = 0.01 P(R/S) = P(R) = 0.01 sono indipendenti P(H|S,R) = 1 P(H|S,R) = 0.9 P(H|S, R) = 0.7 P(H| S, R) = 0.1

16 Se mia moglie mi vede felice e vede che è soleggiato, è portata a credere di meno al fatto che abbia ricevuto un aumento. È un comportamento supportato dalla rete? In pratica, si chiede di calcolare P(R|H,S) e di confrontarlo con P(R).

17 Per la rete la confidenza aumenta, anche se di poco: risultato controintuitivo.

18 Altra soluzione (S. Thrun), assumendo prima S come contesto condizionante e poi ricorrendo alla probabilità totale:

19 Happiness example 2 Con gli stessi dati, calcolare P(R|H).

20

21 Infine calcolare P(R|H,¬S).

22

23 Considerazioni finali
Notare: P(R) = 0.01 P(R|H,S) = crescente, come intuitivo. P(R|H) = P(R|H,¬S) = Inoltre R  S, ma conoscere H li rende in qualche modo “dipendenti”: P(R|H,S)  P(R|H)

24 Considerazioni finali (2)
In pratica, l’indipendenza condizionale non implica l’ortogonalità AB|C  AB Falso (si sapeva già) e l’ortogonalità non implica l’indipendenza condizionale AB  AB|C Falso C A B