貝葉斯網路節點

貝葉斯網路節點可讓您透過以下方式建立機率模型：結合觀察並記錄的證據與真實世界常識，使用看似不相關屬性以建立發生事件的可能性。該節點重點應用了樹狀結構擴展素樸貝葉斯 (TAN) 和馬爾可夫覆蓋網路，這些算法主要用於分類問題。。

貝葉斯網路可用於在多數不同的狀況下進行預測，範例如下：

• 選取違約風險較低的貸款時機。
• 根據感應器輸入和現有記錄，估計設備何時需要維修、增加零件或更換。
• 借助線上疑難排解工具解決客戶問題。。
• 即時診斷並排除移動電話網路故障。
• 評估研發專案的潛在風險和回報，以在最佳時機集中資源。

貝葉斯網路是一種圖形模型，它顯示資料集中的變數（通常稱之為節點）以及這些變數之間隨機的或條件式的獨立性。貝葉斯網路可呈現節點之間的因果關係；但是，網路中的鏈結（也稱為弧）不一定呈現直接因果關係。例如，如果圖形中所顯示的症狀和疾病之間的機率性的獨立性成立，貝葉斯網路可根據特定症狀和其他相關資料是否存在，計算病患患有某種特殊疾病的幾率。這種網路非常穩健，即使在資訊遺漏時，也可以利用現有的任何資訊作出最佳預測。

標準的基礎貝葉斯網路範例由 Lauritzen 和 Spiegelhalter 於 1988 年建立。該網路示例是一種簡化的網路版本，通常稱作 "Asia" 模型，醫生可用它來診斷新病患的病情，所有鏈結的方向可大體指示因果關係。每個節點代表與病患狀況相關的一個方面，例如「吸煙」代表這些病患確為吸煙者，而 "VisitAsia" 代表他們最近是否去過亞洲。機率關係由所有節點之間的鏈結指示，例如，吸煙會增大病患患有支氣管炎和肺癌的幾率，而年齡僅與肺癌的患病率相關。同樣地，肺部 x 光檢查異常可能由肺結核或肺癌引起。同時，如果病患本身患有支氣管炎或肺癌，那麼他們更有可能出現呼吸急促（呼吸困難）症狀。

以下是您有可能決定使用貝葉斯網路的幾點原因：

• 它可協助您瞭解因果關係。由此，您可以瞭解出現問題的地方並可預測任何干涉可能引發的後果。
• 該網路可提供避免資料過度配適的有效方法。
• 可以輕鬆地觀測到所涉及關係的清晰視圖。

需求。目標欄位必須為種類且測量層次為名義、序數或旗標。輸入內容可以為任何類型的欄位。連續（數值型範圍）輸入欄位將自動分組；但是，如果分佈出現不對稱，則可使用貝葉斯網路節點之前的分組節點對欄位進行手動分組，從而獲得較好的效果。例如，在管理員欄位與貝葉斯網路節點目標欄位相同的位置處，使用最佳化分組。

範例。 銀行分析師希望可以預測可能拖欠償還貸款的客戶或潛在客戶。您可使用貝式網路模型來識別最有可能拖欠還款的客戶的特性，並建立幾種不同類型的模型，以確定哪種模型可以最好地預測潛在的貸款拖欠者。

範例。 一位電信運營商希望減少中斷服務（又稱為「流失」）的客戶數量，並使用上一個月的資料對模型每月進行更新。您可以使用貝式網路模型確定最有可能流失的客戶的特性，然後每月使用新資料繼續訓練該模型。