Rede neural bayesiana
O que são redes neurais bayesianas?
Redes neurais bayesianas se referem a uma extensão de redes-padrão com posterior inferência de probabilidade com a finalidade de controlar o sobreajuste. Em um sentido mais amplo, a abordagem bayesiana usa metodologia estatística para garantir que tudo, incluindo os parâmetros do modelo (pesos e vieses da rede neural), tenha uma distribuição de probabilidade associada a ela. Em linguagens de programação, uma variável que pode assumir um determinado valor terá o mesmo resultado toda vez que você acessar essa variável específica. Vamos começar analisando um modelo linear simples que prevê a saída por uma soma ponderada de um conjunto de recursos de entrada.
Quais são as principais vantagens das redes neurais bayesianas?
- As redes neurais bayesianas ajudam a resolver problemas em áreas com dados insuficientes como uma proteção contra sobreajuste. Exemplos de aplicações incluem biologia molecular e medicina diagnóstica, nas quais a aquisição de dados é cara e requer estudos experimentais difíceis.
- As redes bayesianas são universalmente úteis.
- São extremamente difíceis escalar para grandes problemas, mas é possível obter resultados desejáveis para um grande número de tarefas.
- Podem calcular automaticamente os erros associados às previsões ao lidar com dados de destino desconhecidos.
- Permitem estimar a incerteza das previsões, o que é útil em áreas como a medicina.
Por que usar redes neurais bayesianas?
Os métodos bayesianos permitem considerar a distribuição de todas as respostas, em vez de considerar as respostas por pergunta, por isso são adequados para resolver problemas como:
- Regularização (evitar sobreajuste);
- Seleção e comparação de modelos (sem necessidade de validação cruzada separada de conjuntos de dados).