Bayessche Netzwerke

Kurzbeschriebung

Bayessche Netzwerke (Bayesian Networks, Belief Networks) sind probabilistische grafische Modelle, die Zufallsvariablen und ihre bedingten Abhängigkeiten mittels eines gerichteten azyklischen Graphen (DAG) darstellen. Knoten repräsentieren Variablen, gerichtete Kanten direkte probabilistische Abhängigkeiten.

Jeder Knoten ist mit einer bedingten Wahrscheinlichkeitsverteilung verknüpft, sodass sich die gemeinsame Verteilung aller Variablen faktorisiert als '"`UNIQ--math-00000000-QINU`"', wobei '"`UNIQ--math-00000001-QINU`"' die Elternknoten von '"`UNIQ--math-00000002-QINU`"' sind. Inferenz erfolgt durch probabilistisches Schließen (z. B. Belief Propagation), sowohl diagnostisch (Ursache ← Effekt) als auch prädiktiv (Ursache → Effekt).

Bayessche Netzwerke erlauben die Kombination von Daten und Expertenwissen, können fehlende Daten handhaben und machen Abhängigkeitsannahmen explizit. Sie sind nicht automatisch kausal, können aber bei geeigneter Struktur kausal interpretiert werden.

Anwendbarkeit im Gesundheitssektor

Im Gesundheitswesen und Public Health werden Bayessche Netzwerke eingesetzt zur Entscheidungsunterstützung, z. B. bei Diagnose- und Risikomodellen, klinischen Entscheidungsbäumen oder der Bewertung komplexer Einflussfaktoren auf Krankheitsverläufe. Sie eignen sich besonders, wenn Wissen aus Studien, Routinedaten und Experteneinschätzungen zusammengeführt werden muss.

In Public Health kommen sie u. a. bei Risikofaktorenanalysen, Expositions-Wirkungs-Modellen, Surveillance-Systemen und zunehmend in der kausalen Modellierung (z. B. Policy-Analyse) zum Einsatz. Ihre Stärke liegt in der transparenten Darstellung von Abhängigkeiten und Unsicherheit.

Sonstiges

Kann fehlende Daten explizit berücksichtigen

Struktur kann datengetrieben oder wissensbasiert sein

Inferenz kann bei großen Netzen rechnerisch aufwendig werden

Semantik

Wikidata-Identifikator ist: Q812558

Deutsche Wikipediaseite ist: Bayessches Netz

Englische Wikipediaseite ist: Bayesian network

Quelle: Pearl (1988), Probabilistic Reasoning in Intelligent Systems

Behandlung von Unsicherheit in den Ergebnissen der Methode ist explizit

Für die Methode benötigte Datenmenge ist klein;mittel„Klein;mittel“ befindet sich nicht in der Liste (Groß, Mittel, Klein) zulässiger Werte für das Attribut „Für die Methode benötigte Datenmenge ist“.

Zweck der Methode ist Inferenz;Vorhersage;Kausale Analyse„Inferenz;Vorhersage;Kausale Analyse“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Bayessch;Statistisch;Kausale Inferenz;Hybrid„Bayessch;Statistisch;Kausale Inferenz;Hybrid“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist gut

Webseite: https://www.bnlearn.com/