Philosophie Lexikon der ArgumenteHome
| |||
|
| |||
| Bayesianismus: fasst Wahrscheinlichkeit als Grad einer Überzeugung auf. Siehe auch subjektive Wahrscheinlichkeit, objektive Wahrscheinlichkeit, Chance, Likelihood._____________Anmerkung: Die obigen Begriffscharakterisierungen verstehen sich weder als Definitionen noch als erschöpfende Problemdarstellungen. Sie sollen lediglich den Zugang zu den unten angefügten Quellen erleichtern. - Lexikon der Argumente. | |||
| Autor | Begriff | Zusammenfassung/Zitate | Quellen |
|---|---|---|---|
|
Peter Norvig über Bayesianismus – Lexikon der Argumente
Norvig I 503 Bayesianismus/Norvig/Russell: Der Satz von Bayes erlaubt es, unbekannte Wahrscheinlichkeiten aus bekannten bedingten Wahrscheinlichkeiten zu berechnen, meist in Kausalrichtung. Die Anwendung des Satzes von Bayes mit vielen Evidenzen stößt auf die gleichen Skalierungsprobleme wie die full joint distribution. Bedingte Unabhängigkeit, die durch direkte kausale Beziehungen in der Domäne hervorgerufen wird, könnte es ermöglichen, die volle gemeinsame Verteilung in kleinere, bedingte Verteilungen einzubeziehen. Das naive Bayes-Modell geht von der bedingten Unabhängigkeit aller Effektvariablen bei einer einzigen Ursachenvariablen aus und wächst linear mit der Anzahl der Effekte. Norvig I 505 Die Bayessche probabilistische Argumentation wird in der KI seit den 1960er Jahren angewendet, insbesondere in der medizinischen Diagnose. Es wurde nicht nur verwendet, um eine Diagnose aus den verfügbaren Beweisen zu stellen, sondern auch, um weitere Fragen und Tests auszuwählen, indem die Theorie des Informationswertes (...) verwendet wurde, wenn die verfügbaren Beweise nicht eindeutig waren (Gorry, 1968(1); Gorry et al., 1973(2)). Ein System übertraf die menschlichen Experten bei der Diagnose akuter Baucherkrankungen (de Dombal et al., 1974)(3). Lucas et al. (2004)(4) gibt einen Überblick. Diese frühen Bayesschen Systeme litten jedoch unter einer Reihe von Problemen. Da ihnen ein theoretisches Modell der Bedingungen, die sie diagnostizierten, fehlte, waren sie anfällig für nicht repräsentative Daten, die in Situationen auftraten, für die nur eine kleine Stichprobe verfügbar war (de Dombal et al., 1981)(5). Noch grundsätzlicher, da ihnen ein prägnanter Formalismus (....) zur Darstellung und Verwendung von Informationen über bedingte Unabhängigkeit fehlte, waren sie auf die Erfassung, Speicherung und Verarbeitung riesiger Tabellen probabilistischer Daten angewiesen. Aufgrund dieser Schwierigkeiten fielen probabilistische Methoden zur Bewältigung der Unsicherheit in der KI von den 1970er bis Mitte der 1980er Jahre in Ungnade. Das naive Bayes-Modell für gemeinsame Verteilungen wurde seit den 1950er Jahren in der Literatur der Mustererkennung eingehend untersucht (Duda und Hart, 1973)(6). Es wurde auch, oft unbewusst, bei der Informationsbeschaffung verwendet, beginnend mit der Arbeit von Maron (1961)(7). Die probabilistischen Grundlagen dieser Technik, (...) wurden von Robertson und Sparck Jones (1976)(8) erläutert. Unabhängigkeit: Domingos und Pazzani (1997)(9) liefern eine Erklärung Norvig I 506 für den überraschenden Erfolg der naiven Bayesschen Argumentation auch in Bereichen, in denen die Unabhängigkeitsannahmen eindeutig verletzt werden. >Bayessches Netz/Norvig. 1. Gorry, G. A. (1968). Strategies for computer-aided diagnosis. Mathematical Biosciences, 2(3-4), 293- 318. 2. Gorry, G. A., Kassirer, J. P., Essig, A., and Schwartz, W. B. (1973). Decision analysis as the basis for computer-aided management of acute renal failure. American Journal of Medicine, 55, 473-484. 3. de Dombal, F. T., Leaper, D. J., Horrocks, J. C., and Staniland, J. R. (1974). Human and omputeraided diagnosis of abdominal pain: Further report with emphasis on performance of clinicians. British Medical Journal, 1, 376–380. 4. Lucas, P., van der Gaag, L., and Abu-Hanna, A. (2004). Bayesian networks in biomedicine and health-care. Artificial Intelligence in Medicine 5. de Dombal, F. T., Staniland, J. R., and Clamp, S. E. (1981). Geographical variation in disease presentation. Medical Decision Making, 1, 59–69. 6. Duda, R. O. and Hart, P. E. (1973). Pattern classification and scene analysis. Wiley. 7. Maron, M. E. (1961). Automatic indexing: An experimental inquiry. JACM, 8(3), 404-417. 8. Robertson, S. E. and Sparck Jones, K. (1976). Relevance weighting of search terms. J. American Society for Information Science, 27, 129-146. 9. Domingos, P. and Pazzani, M. (1997). On the optimality of the simple Bayesian classifier under zero–one loss. Machine Learning, 29, 103–30._____________ Zeichenerklärung: Römische Ziffern geben die Quelle an, arabische Ziffern die Seitenzahl. Die entsprechenden Titel sind rechts unter Metadaten angegeben. ((s)…): Kommentar des Einsenders. Übersetzungen: Lexikon der ArgumenteDer Hinweis [Begriff/Autor], [Autor1]Vs[Autor2] bzw. [Autor]Vs[Begriff] bzw. "Problem:"/"Lösung", "alt:"/"neu:" und "These:" ist eine Hinzufügung des Lexikons der Argumente. |
Norvig I Peter Norvig Stuart J. Russell Artificial Intelligence: A Modern Approach Upper Saddle River, NJ 2010 |
||
> Gegenargumente gegen Norvig
> Gegenargumente zu Bayesianismus ...
