Сначала мы попытаемся сформулировать природу проблемы, которую пытались решить этими методами. Если задача прямая, полиномиальная или NP-полная, мы готовы включить алгоритмы, которые могут дать детерминированный ответ, путем простой рекомбинации аксиом по логическим правилам. Однако, если это не так, мы должны полагаться на метод рассуждения, при котором мы пытаемся рассматривать проблему как неоднородную и подключаем ее к сети, где узлы являются оценками, а границы - путями между компонентами. ,
При любом типе рассуждений, основанных на сети, мы не рассуждаем дедуктивно, используя абстрактные обобщения и комбинации, в соответствии с логическими правилами в линейном потоке, а скорее работаем над проблемой, основанной на распространении рассуждений в разных направлениях, так что мы решаем проблема по одному узлу за раз, открыта для улучшений при обнаружении новых фактов, касающихся любого узла в будущем. Теперь давайте посмотрим, как каждый из этих методов по-своему подходит к этому методу решения проблем.
Нейронная сеть:
Нейронная сеть представляет собой черный ящик, где считается (никогда нельзя проверить извне системы), что соединения между простыми узлами формируются и подчеркиваются повторяющимися внешними подкреплениями. Это подходит к проблеме в парадигме Connectionsitic . Проблема, вероятно, решена, но мало объяснима. Нейронная сеть в настоящее время широко используется из-за ее способности давать быстрые результаты, если проблема с объяснением игнорируется.
Байесовская сеть:
Байесовская сеть - это ориентированный ациклический граф, который больше похож на блок-схему, только в том, что блок-схема может иметь циклические циклы. Байесовская сеть, в отличие от блок-схемы, может иметь несколько начальных точек. Он в основном отслеживает распространение событий в нескольких неоднозначных точках, где событие вероятностно расходится между путями. Очевидно, что в любой данный момент в сети вероятность посещения этого узла зависит от общей вероятности предыдущих узлов. Байесовская сеть отличается от нейронной сети тем, что она является явным рассуждением, хотя она вероятностна и, следовательно, может иметь несколько устойчивых состояний, основанных на каждом шаге, который пересматривается и изменяется в рамках допустимых значений, подобно алгоритму. Это надежный способ вероятностного рассуждения, но он включает в себя кодирование вероятностей,
Деревья решений:
Дерево решений снова представляет собой сеть, которая больше похожа на блок-схему, которая ближе к байесовской сети, чем нейронная сеть. Каждый узел имеет больше интеллекта, чем нейронная сеть, и разветвление может быть определено с помощью математических или вероятностных оценок. Решения представляют собой простые оценки, основанные на частотных распределениях вероятных событий, где решение является вероятностным. Однако в байесовских сетях решение основано на распространении «доказательств», указывающих на произошедшее событие, а не на непосредственное наблюдение самого события.
Пример
Например, если бы мы должны были предсказать движение тигра-людоеда по некоторым гималайским деревням, который оказался на краю какого-то тигрового заповедника, мы могли бы смоделировать его на любом подходе следующим образом:
В дереве решений мы будем полагаться на экспертные оценки, будет ли тигр выбирать между открытыми полями или реками на последних. В байесовской сети мы отслеживаем тигра по меткам мопса, но рассуждаем таким образом, чтобы признать, что эти метки мопса могли быть такими же, как у какого-то другого тигра аналогичного размера, регулярно патрулирующего его территорию. Если мы хотим использовать нейронную сеть, нам придется многократно обучать модель, используя различные поведенческие особенности тигра в целом, такие как его предпочтение плавать, предпочтение покрытых областей над открытыми областями, его избегание обитания людей, чтобы позволить сети, как правило, рассуждать о том, какой путь может пройти тигр.