En primer lugar, intentamos establecer la naturaleza del problema que se intenta resolver con estos métodos. Si un problema es sencillo, polinómico o NP completo tenemos listos para enchufar algoritmos que podrían proporcionar una respuesta determinista, por simple recombinación de los axiomas a lo largo de reglas lógicas. Sin embargo, si ese no es el caso, tendríamos que confiar en un método de razonamiento, en el cual, intentamos tratar el problema como si fuera heterogéneo y conectarlo a una red, siendo los nodos evaluaciones y las aristas caminos entre los componentes.
En cualquier tipo de razonamiento basado en la red, no razonamos de forma deductiva, utilizando generalizaciones y combinaciones abstractas, según reglas lógicas en un flujo lineal, sino que trabajamos a través del problema basándonos en la propagación del razonamiento en diferentes direcciones, de forma que resolvemos el problema de un nodo a la vez, abierto a mejoras al descubrir nuevos hechos relativos a cualquier nodo en el futuro. Veamos ahora cómo cada una de estas técnicas aborda este método de resolución de problemas a su manera.
Red neuronal: La red neuronal es una caja negra, en la que se cree (nunca se ha podido comprobar desde fuera del sistema) que las conexiones entre los nodos simples se forman y acentúan mediante refuerzos externos repetidos. Aborda el problema de forma Connectionsitic paradigma. Es probable que el problema esté resuelto, pero hay poca explicabilidad. La red neuronal, ahora muy utilizada por su capacidad de producir resultados rápidos, si se pasa por alto el problema de la explicabilidad.
Red bayesiana: La red bayesiana es un gráfico acíclico dirigido, que se parece más al diagrama de flujo, sólo que el diagrama de flujo puede tener bucles cíclicos. La red bayesiana, a diferencia del diagrama de flujo, puede tener múltiples puntos de inicio. Básicamente traza la propagación de eventos a través de múltiples puntos ambiguos, donde el evento diverge probabilísticamente entre caminos. Obviamente, en cualquier punto de la red, la probabilidad de que ese nodo sea visitado depende de la probabilidad conjunta de los nodos precedentes. La red bayesiana se diferencia de la red neuronal en que se trata de un razonamiento explícito, aunque probabilístico y, por tanto, podría tener múltiples estados estables en función de que cada paso sea revisado y modificado dentro de los valores legales, al igual que un algoritmo. Es una forma robusta de razonar probabilísticamente, pero implica la codificación de las probabilidades, conjeturando los puntos en los que pueden ocurrir las acciones aleatorias y, por lo tanto, necesita un mayor esfuerzo heurístico para su construcción.
Árboles de decisión: El árbol de decisión es de nuevo una red, que se parece más a un diagrama de flujo, que está más cerca de la red bayesiana que de la red neuronal. Cada nodo tiene más inteligencia que la red neuronal y la ramificación puede decidirse mediante evaluaciones matemáticas o probabilísticas. Las decisiones son evaluaciones directas basadas en distribuciones de frecuencia de eventos probables, donde la decisión es probabilística. Sin embargo, en las redes bayesianas, la decisión se basa en la distribución de "pruebas" que apuntan a que un suceso ha ocurrido, en lugar de la observación directa del propio suceso.
Un ejemplo Por ejemplo, si tuviéramos que predecir el movimiento de un tigre devorador de hombres a través de algunas aldeas del Himalaya que casualmente se encuentran en el límite de alguna reserva de tigres, podríamos modelarlo con cualquiera de los dos enfoques siguientes:
En un árbol de decisión, nos basaríamos en las estimaciones de los expertos para saber si un tigre, dada la posibilidad de elegir entre campos abiertos o ríos, se decantaría por estos últimos. En una red bayesiana, rastreamos al tigre por las marcas de carabina, pero razonamos de manera que se reconozca que estas marcas de carabina podrían haber sido las de algún otro tigre de tamaño similar que patrullara rutinariamente su territorio. Si utilizamos una red neuronal, tendríamos que entrenar el modelo repetidamente utilizando diversas peculiaridades de comportamiento del tigre en general, como su preferencia por nadar, su preferencia por las zonas cubiertas frente a las abiertas, su evitación de las viviendas humanas, para que la red pueda razonar de forma general sobre el rumbo que podría seguir el tigre.
3 votos
Tenga en cuenta que también hay Redes neuronales bayesianas (sólo para confundir), que son básicamente una red neuronal con un tratamiento bayesiano de los parámetros, por lo que puedo ver.