Baixe o app para aproveitar ainda mais
Prévia do material em texto
IF71B-C71 - Inteligeˆncia Artificial Aula 15- Redes Bayesianas Profa. Dra. Priscila T iemi çaeda Saito k psaito@utfpr.edu.br 2o Semestre 2016 29/09/16 Roteiro 1 Redes Bayesianas 2 Teorema de Bayes UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 2 / 38 Introduc¸a˜o Em muitos problemas reais na˜o ha´ informac¸o˜es completas sobre o ambiente I falha na coleta dos dados I imprecisa˜o do aparelho de coleta I impossibilidade de obtenc¸a˜o de informac¸a˜o I incerteza sobre as relac¸o˜es do dom´ınio Lidar com incerteza UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 3 / 38 Exemplo Hora´rio de filme I informac¸a˜o perfeita F o filme comec¸a a`s 8h15min I informac¸a˜o imprecisa F o filme comec¸a entre 8h e 9h I informac¸a˜o incerta F eu acho que o filme comec¸a a`s 8h (mas na˜o tenho certeza) I informac¸a˜o vaga F o filme comec¸a la´ pelas 8h I informac¸a˜o probabilista F e´ prova´vel que o filme comece a`s 8h I informac¸a˜o possibilista F e´ poss´ıvel que o filme comece a`s 8h I informac¸a˜o inconsistente F Maria disse que o filme comec¸a 8h, Joa˜o disse que ele comec¸a a`s 10h I informac¸a˜o imcompleta F eu na˜o sei, mas usualmente os filmes neste cinema comec¸am a`s 8h I ignoraˆncia total F eu na˜o fac¸o a menor ideia do hora´rio do filme Mesmo lidando com esses tipos de informac¸o˜es, conseguimos tomar deciso˜es razoa´veis UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 4 / 38 Incerteza Informac¸a˜o probabilista I teoria de probabilidades ou I teoria da evideˆncia Informac¸a˜o imprecisa e/ou vaga I teoria dos conjuntos nebulosos (fuzzy) ou I teoria dos conjuntos de aproximac¸a˜o Informac¸a˜o possibilista I teoria das possibilidades UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 5 / 38 Incerteza Informac¸a˜o incerta I teoria das probabilidades ou I teoria das possibilidades ou I teoria das evideˆncias Informac¸o˜es inconsistentes/“incompletas” I lo´gicas na˜o cla´ssicas F paraconsistente para informac¸a˜o inconsistente, por exemplo UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 6 / 38 Introduc¸a˜o O racioc´ınio e a infereˆncia sobre algumas premissas podem, em diversas situac¸o˜es, denotar um certo grau de certeza Exemplo: ∀tTraˆnsito(t, congestionamento) ⇒ Tempo(t, chuva) A sentenc¸a acima indica que, dada a ocorreˆncia de um congestionamento, e´ poss´ıvel concluir, como consequeˆncia, que ha´ ocorreˆncia de chuva Imprecisa˜o ⇒ congestionamentos podem ser causados por outros fatores ale´m da chuva UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 7 / 38 Introduc¸a˜o Alternativa: ∀tTraˆnsito(t, congestionamento) ⇒ Tempo(t, chuva) ⋃ Tempo(t, neblina) ⋃ ... Esta regra poderia incluir, no lado direito da sentenc¸a, um nu´mero extenso de fatores adicionais a` chuva e a` neblina. UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 8 / 38 Introduc¸a˜o Poderia-se, ainda, baseado em tal racioc´ınio, tentar derivar uma regra causal: ∀tTempo(t, chuva) ⇒ Traˆnsito(t, congestionamento) Incorreta ⇒ nem sempre a chuva causa congestionamento; ocorreˆncia de congestionamento e chuva na˜o precisam estar, necessariamente, associados um ao outro. Essas considerac¸o˜es demonstram que tal lo´gica: I na˜o fornece uma abordagem totalmente adequada para lidar com problemas em que ha´ algum grau de incerteza I na˜o e´ poss´ıvel inferir consequencias lo´gicas entre eventos UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 9 / 38 Introduc¸a˜o Em ambientes de incerteza, onde existem informac¸o˜es parciais (incompletas) ou informac¸o˜es aproximadas (na˜o exatas), o racioc´ınio probabil´ıstico pode ser interessante Probabilidade considerada como o grau de certeza da ocorreˆncia de um evento UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 10 / 38 Teoria da Probabilidade Probabilidade incondicional ou a priori: o grau de crenc¸a a respeito de alguma proposic¸a˜o sem levar em conta qualquer outra informac¸a˜o P(congestionamento) = 0.15 Probabilidade condicional ou a posteriori: probabilidade de ocorreˆncia de um evento esta´ condicionada a ocorreˆncia de outros eventos P(acidente|chuva) = 0.6 UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 11 / 38 Teorema de Bayes Alguns dom´ınios de problema sa˜o caracterizados pela presenc¸a de incerteza e pelo racioc´ınio baseado em crenc¸as parciais a respeito do mundo Racioc´ınios adequados podem ser feitos por meio de me´todos Bayesianos Me´todos Bayesianos fornecem uma abordagem probabil´ıstica para infereˆncias que levem em considerac¸a˜o aspectos como a independeˆncia condicional a respeito dos eventos O Teorema de Bayes e´ a base para a aplicac¸a˜o de me´todos probabil´ısticos a` Inteligeˆncia Artificial (IA). UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 12 / 38 Teorema de Bayes Permite calcular a probabilidade condicional de ocorrer um evento X dado o acontecimento de um evento Y P(X |Y ) = P(Y |X )·P(X )P(Y ) Sa˜o conhecidas: I P(X )⇒ probabilidade incondicional de X I P(Y )⇒ probabilidade incondicional de Y I P(Y \X )⇒ probabilidade condicional de ocorrer um evento Y dado que X ocorreu UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 13 / 38 Teorema de Bayes Considere hipoteticamente: I P(chuva) = 30% I P(acidente) = 5% I P(acidente|chuva) = 10% Qual a probabilidade de estar chovendo, dada a ocorreˆncia de um acidente de traˆnsito? P(chuva|acidente) = P(acidente|chuva)·P(chuva)P(acidente) = 0,1·0,30,05 = 0, 6 Observa-se que a probabilidade de estar chovendo dada a ocorreˆncia de um acidente e´ alta (60%). UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 14 / 38 Teorema de Bayes Considere hipoteticamente: I P(chuva) = 30% I P(acidente) = 5% I P(acidente|chuva) = 10% Qual a probabilidade de estar chovendo, dada a ocorreˆncia de um acidente de traˆnsito? P(chuva|acidente) = P(acidente|chuva)·P(chuva)P(acidente) = 0,1·0,30,05 = 0, 6 Observa-se que a probabilidade de estar chovendo dada a ocorreˆncia de um acidente e´ alta (60%). UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 14 / 38 Teorema de Bayes Considere hipoteticamente: I P(chuva) = 30% I P(acidente) = 5% I P(acidente|chuva) = 10% Qual a probabilidade de estar chovendo, dada a ocorreˆncia de um acidente de traˆnsito? P(chuva|acidente) = P(acidente|chuva)·P(chuva)P(acidente) = 0,1·0,30,05 = 0, 6 Observa-se que a probabilidade de estar chovendo dada a ocorreˆncia de um acidente e´ alta (60%). UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 14 / 38 Redes Bayesianas Abordagem poderosa para construir uma representac¸a˜o de um dom´ınio que envolva incerteza Grafos ac´ıclicos e direcionados que representam dependeˆncias entre varia´veis em um modelo probabil´ıstico A relac¸a˜o direc¸a˜o das arestas do grafo representa a relac¸a˜o de causa-consequeˆncia entre as varia´veis A auseˆncia de aresta entre duas va´ria´veis supo˜e independeˆncia condicional UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 15 / 38 Redes Bayesianas A ou B ⇒ prova´veis causas diretas da ocorreˆncia de C C ⇒ uma prova´vel causa das ocorreˆncias de D e E A e B ⇒ pais de C , que por sua vez e´ pai de D e E A e B na˜o teˆm pai ⇒ no´s ra´ızes da rede BA C ED UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 16 / 38 Redes Bayesianas - ExemploTem-se um novo alarme contra roubo instalado em casa E´ bastante confia´vel na detecc¸a˜o de roubo, mas dispara tambe´m na ocasia˜o de pequenos terremotos Tem-se dois vizinhos, Joa˜o e Maria, que prometeram ligar para voceˆ no trabalho, quando ouvissem o alarme Joa˜o sempre liga quando ouve o alarme, mas a`s vezes confunde o telefone com o alarme Maria, por outro lado, gosta de ouvir mu´sica e a`s vezes na˜o escuta o alarme UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 17 / 38 Redes Bayesianas - Exemplo Varia´veis: I Roubo I Terremoto I Alarme I Joa˜oLiga I MariaLiga UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 18 / 38 Redes Bayesianas - Exemplo A topologia da rede reflete o conhecimento “causal” I um roubo pode ativar o alarme I um terremoto pode ativar o alarme I o alarme faz Maria telefonar I o alarme faz Joa˜o telefonar TerremotoRoubo Alarme MariaLigaJoãoLiga UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 19 / 38 Redes Bayesianas - Exemplo Roubos ou terremotos afetam diretamente a probabilidade do alarme tocar Fato de Joa˜o e Maria ligar depende somente do alarme A rede apresenta suposic¸o˜es de que eles na˜o percebem quaisquer roubos diretamente, na˜o notam os terremotos e na˜o verificam antes de ligar TerremotoRoubo Alarme MariaLigaJoãoLiga UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 20 / 38 Redes Bayesianas - Exemplo As probabilidades resumem um conjunto potencialmente infinito de circunstaˆncias: I Maria ouve mu´sica alta I Joa˜o liga quando ouve o telefone tocar I Umidade, falta de energia, entre outros acontecimentos podem interferir no alarme I Joa˜o e Maria na˜o esta˜o em casa, entre outros UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 21 / 38 Tabela de Probabilidade Condicional - TPC Cada linha em uma tabela de probabilidade condicional conte´m a probabilidade condicional de cada valor do no´ para um caso de condicionamento Um caso de condicionamento e´ uma combinac¸a˜o poss´ıvel de valores para os no´s superiores TerremotoRoubo Alarme MariaLigaJoãoLiga P(R) 0,001 R V 0,002 P(T)T V A V F P(J) P(M)A V F 0,70 0,01 0,90 0,05 R T 0,001 P(A) 0,95 0,94 0,29 V F V F V V F F UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 22 / 38 Ca´lculo da distribuic¸a˜o de probabilidade conjunta Com as tabelas de probabilidade condicional calculadas podemos obter a distribuic¸a˜o de probabilidade conjunta de todo o dom´ınio Distribuic¸a˜o de probabilidade conjunta ⇒ produto das distribuic¸o˜es condicionais de todos os no´s dado os valores de seus pais: P(x1, ..., xn) = ∏ i=1 P(xi\Pais(xi )) xi ⇒ no´ da rede Pais(xi )⇒ pais de xi P(x1, x2, ..., xn)⇒ distribuic¸a˜o de probabilidade conjunta da rede UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 23 / 38 Ca´lculo da distribuic¸a˜o de probabilidade conjunta Exemplo: I Qual a probabilidade do alarme disparar sem que um roubo e nem um terremoto tenha ocorrido, ale´m de ambos, Joa˜o e Maria, ligarem? TerremotoRoubo Alarme MariaLigaJoãoLiga P(R) 0,001 R V 0,002 P(T)T V A V F P(J) P(M)A V F 0,70 0,01 0,90 0,05 R T 0,001 P(A) 0,95 0,94 0,29 V F V F V V F F UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 24 / 38 Ca´lculo da distribuic¸a˜o de probabilidade conjunta Exemplo: I Qual a probabilidade do alarme disparar sem que um roubo e nem um terremoto tenha ocorrido, ale´m de ambos, Joa˜o e Maria, ligarem? TerremotoRoubo Alarme MariaLigaJoãoLiga P(R) 0,001 R V 0,002 P(T)T V A V F P(J) P(M)A V F 0,70 0,01 0,90 0,05 R T 0,001 P(A) 0,95 0,94 0,29 V F V F V V F F P(A ∧ ¬R ∧ ¬T ∧ J ∧M) = P(J|A)P(M|A)P(A|¬R,¬T )P(¬R)P(¬T ) = 0, 9 · 0, 7 · 0, 001 · 0, 999 · 0, 998 = 0, 00062 UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 24 / 38 Construindo uma Rede Bayesiana 1 Escolhe-se um conjunto de varia´veis Xi que descrevem apropriadamente o dom´ınio 2 Seleciona-se a ordem de distribuic¸a˜o das varia´veis (passo importante) 3 Enquanto ainda existirem varia´veis: I Seleciona-se uma varia´vel Xi e um no´ para ela I Define-se Pais(Xi ) para um conjunto m´ınimo de no´s de forma que a independeˆncia condicional seja satisfeita I Define-se a tabela de probabilidade para Xi UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 25 / 38 Ordenac¸a˜o para as Varia´veis Ordem correta em que os no´s devem ser adicionados I “causas de raiz” I varia´veis que elas influenciam e assim por diante, ate´ chegar a`s folhas, que na˜o tem nenhuma influeˆncia causal direta sobre as outras varia´veis Causas (Sintomas) Efeitos Princ´ıpio minimalista ⇒ quanto menor a rede, melhor ela e´ E se escolhermos a ordem errada? UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 26 / 38 Exemplo de Ordenac¸a˜o Errada A rede resultante tem dois v´ınculos a mais que a rede original e exigira´ outras probabilidades para serem especificadas Alguns dos v´ınculos apresentam relacionamentos teˆnues que exigem julgamentos de probabilidade dif´ıceis e antinaturais (probabilidade de terremoto, dados roubo e alarme) TerremotoRoubo Alarme MariaLiga JoãoLiga UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 27 / 38 Infereˆncia em Redes Bayesianas Infereˆncia Diagno´stica Infereˆncia Causal Infereˆncia Intercausal Infereˆncia Mista UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 28 / 38 Infereˆncia em Redes Bayesianas Infereˆncia Diagno´stica (de efeitos para causas): I Dado que Joa˜o liga, qual a probabilidade de roubo? I Exemplo: P(R|J) ? E UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 29 / 38 Infereˆncia em Redes Bayesianas Infereˆncia Causal (partindo das causas para os efeitos): I Dado o roubo, qual e´ a probabilidade de: I Joa˜o ligar? P(J|R) I Maria ligar? P(M|R) E ? UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 30 / 38 Infereˆncia em Redes Bayesianas Infereˆncia Intercausal (entre causas de um evento em comum): I Dado o terremoto e o alarme, qual a probabilidade de roubo? I Exemplo: P(R|A ∩ T ) ?E UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 31 / 38 Infereˆncia em Redes Bayesianas Infereˆncia Mista (algumas causas e alguns efeitos conhecidos): I Dado que Joa˜o liga e na˜o existe terremoto, qual e´ a probabilidade de alarme? I Exemplo: P(A|J ∩ ¬T ) E E ? UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 32 / 38 Aplicac¸o˜es Obter probabilidades de varia´veis; Tomar deciso˜es baseadas nas probabilidades na rede e func¸o˜es de custo/utilidade Analisar grandes quantidades de dados (extrair conhecimentos u´teis em tomada de deciso˜es; controlar ou prever o comportamento de um sistema; diagnosticar as causas de um fenoˆmeno) Utilizadas em va´rios dom´ınios: I sau´de (diagno´stico me´dico, localizac¸a˜o de genes); I indu´stria (controle de autoˆmatos ou de roboˆs); I marketing (minerac¸a˜o de dados, gesta˜o da relac¸a˜o com os clientes); I gesta˜o (tomada de deciso˜es, gesta˜o de conhecimento e risco) UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 33 / 38 Dificuldade na Aplicac¸a˜o de Redes Bayesianas Necessidade de conhecimento inicial de muitas probabilidades incondicionais I Quando desconhecidas,elas sa˜o muitas vezes estimadas, com base em conhecimento de especialistas, dados dispon´ıveis previamente e hipo´teses sobre a forma das distribuic¸o˜es de probabilidades UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 34 / 38 Exerc´ıcio Em um diagno´stico, o me´dico sabe que: I meningite faz o paciente ter rigidez no pescoc¸o durante 50% do tempo I Probabilidade a priori de um paciente ter meningite e´ de 150000 I Probabilidade a priori de qualquer paciente ter rigidez no pescoc¸o e´ 120 P(meningite|rigidez) = ? UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 35 / 38 Exerc´ıcio Em um diagno´stico, o me´dico sabe que: I meningite faz o paciente ter rigidez no pescoc¸o durante 50% do tempo I Probabilidade a priori de um paciente ter meningite e´ de 150000 I Probabilidade a priori de qualquer paciente ter rigidez no pescoc¸o e´ 120 P(meningite|rigidez) = ? P(M|R) = P(R|M)·P(M)P(R) = 0.5· 1 50000 1 20 = 0.0002 UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 36 / 38 Exerc´ıcios Examinar a rede Bayesiana de crenc¸a exibida na Figura. Na Figura, cinco no´s representam as seguintes sentenc¸as I C = que voceˆ ingressara´ em uma faculdade I S = que voceˆ estudara´ I P = que voceˆ frequentara´ festas I E = que voceˆ sera´ bem-sucedido nos seus exames I F = que voceˆ se divertira´ P(c) 0.2 C P(S) verdadeiro 0.8 falso 0.2 C P(P) verdadeiro 0.6 falso 0.5 S P P(E) verdadeiro verdadeiro 0.6 verdadeiro falso 0.9 falso verdadeiro 0.1 falso falso 0.2 P P(F) verdadeiro 0.9 falso 0.7 Representar a probabilidade de que ingresse na faculdade, estude, e seja bem-sucedido nos exames, mas que na˜o va´ a festas e nem se divirta P(C=verdadeira, S=verdadeira, P=falso, E=verdadeiro, F=falso) P(C, S, ∼ P, E, ∼ F) UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 37 / 38 amiltonjunior Sticky Note P (C=V, S=V, P=F, E=V, F=F) = P (C, S, ~P, E, ~F) = P(C) * P(S/C) * P(~P/C) * P(E/S^~P) * P(~F/~P) = 0,2 * 0,8 * (1 - 0,6) * 0,9 * (1 - 0,7) = null0,01728 UTFPR (CP) IF71B-C71 (Inteligeˆncia Artificial) Aula 15 - Redes Bayesianas 38 / 38 Redes Bayesianas Teorema de Bayes
Compartilhar