贝氏决策分析与贝氏网路Bayesiandecisionanalysis.pptVIP

貝氏決策分析與貝氏網路Bayesian decision analysis Bayesian network 資料來源: 清大簡禎富教授-授課投影片 條件機率 所謂的條件機率（conditional probability），就是將相關事件的影響性考慮進來，再重新考慮該事件機率 貝氏定理 統計決策分析 風險下的決策問題使用機率表示其中的不確定因素，所以又稱為「統計決策」(statistical decision making) 事前機率(prior probability)是指決策者對不確定事件各種結果的發生機率的信心，乃是決策者根據歷史資料(頻率機率)或人為經驗判斷(主觀機率)而產生的 「事前無知」(prior ignorance)的狀況，期望報酬或損失的計算仍可能存在高度的不確定性，決策者根據不確定的估計選出的最大期望報酬或最小期望損失方案，可能為一錯誤決策 為提高決策品質，降低做出錯誤決策的機會，決策者可經由試驗的方式取得額外資訊，例如 進一步醫學檢查、額外的工程實驗或地質探勘等，也可經由觀察到的現象或證據，例如看到天空烏雲密佈會讓想出遊的人修正對下雨機率的判斷，修正後的機率稱為事後機率(posterior probability) 貝氏決策 貝氏決策即是討論決策者如何利用適當的樣本取樣方式，取得額外資訊，並根據額外的資訊修正可選擇方案的期望損失，以其選擇期望損失最低的方案 貝氏決策於實務應用方向非常廣泛，包含醫療決策(Sainfort, 1993; Barbara and Paul, 1975 )，故障診斷(Wang et al., 1998)，可靠度分析(Papazoglou, 1999)，與抽樣計畫(Hald, 1968; Phelps, 1982; Chien, Hsu, Peng, and Wu, 2000)等 貝氏決策分析之理論架構 不確定事件所有可能狀態θj的集合 貝氏決策案例–唐氏症的診斷 唐氏症為高齡產婦的一大威脅：家庭心理與經濟負擔 醫生通常利用醫療檢測如羊膜穿刺與母血篩檢的方法，根據檢測之樣本所得結果來推論胎兒之健康狀態 若結果為陽性反應則代表胎兒有較高的機率患有唐氏症 若結果為陰性反應則代表胎兒有較高的機率為正常胎兒 另一方面，決策者(家屬或醫生)可以有的行動方案包含產下胎兒與進行人工流產。將以上的決策問題對應貝氏決策的三個決策元素，則 狀態空間?={?1=健康，?2=唐氏症}; 樣本空間X={x1=陰性反應，x2=陽性反應}; 行動空間A={ a1=生下小孩，a2=人工流產} 概似函數 概似函數P?(x)代表在狀態?下可觀察到可能性 當x為連續數值時，P?(x)為一機率密度 當x為離散數值時，P?(x)為一機率 若一個樣本x在真實狀態為?時被觀察到的機率很高，則樣本x對決策者判斷真實狀態是否為?有很高的資訊價值。換言之， P?(x)越高則決策者觀察到樣本x後，對真實狀態為?的信心(belief)越高 條件機率示意圖 條件機率P(Bj|Ai)是在給定條件Ai的情況下，隨機變數B=Bj的機率有多高 概似機率示意圖 概似函數P(B|Ai)是觀察到B時有多少可能性是來自於隨機變數A=Ai的情況 空間切割圖 條件機率與概似函數之比較 唐氏症的診斷–概似函數 若一般高齡產婦產下唐氏症兒的機率為1%，當醫生沒有其他資訊可參考時，他只能告訴來做產檢的孕婦「胎兒患有唐氏症的機率約為1%」，這也就是事前機率π(θ = 唐氏症) = 0.01 當醫生為該孕婦進行羊膜穿刺檢驗後觀察到陽性反應，根據概似機率P?(x) = 0.84，便會提高他認為該孕婦的胎兒患有唐氏症的信心，這也就是事後機率π(θ = 唐氏症 | x = 陽性) 事後機率正比於事前機率，也正比於概似機率P?(x) ，其關係為 機率推論影響圖 概似函數顯示樣本資訊對估計狀態發生機率之推論關係 (a)表示一個不確定事件沒有其他的元素會影響它，其自然狀態?的事前機率為π(θ) (b)表示一個不確定事件受到另一個不確定事件之影響，也就是觀察到樣本的結果會修正狀態?出現機率的估計而成為事後機率π(θ| x) ，箭號代表兩者推論關係的方向性，以Pθ( x)表示其機率修正關係 決策法則 決策法則(decision rule)δ(x) = a定義樣本出現觀測值x時，應採行的行動a，換言之，決策法則?決定樣本空間X與方案空間A兩者之對應關係 例如，某甲一早出門準備上班時，到了門口便發現天氣是陰天而帶有濕氣，觀察到這個現象(x)後某甲決定帶雨傘出門(a)，換言之，某甲的決策法則就是?(陰天)=帶傘出門 然而每個人的的決策法則都不盡相同，某乙可能覺得帶雨傘非常麻煩，因此除非出門時正在下雨，否則他都不帶傘，則他觀察到陰天帶有濕氣的現象時，決策法則為