Bayes Ağı Analizi Nedir? Bayesian Network ve Yazılımlar

Bir araştırmada yalnızca değişkenlerin ilişkili olup olmadığını değil, belirli bilgiler bilindiğinde bir sonucun olasılığının nasıl değiştiğini de merak edebilirsiniz. Örneğin ekipman hakkında yeni bir ölçüm alındığında arıza olasılığı nasıl güncellenir? Bir öğrencinin devam durumu bilindiğinde başarısına ilişkin tahmin nasıl değişir?

Bayes ağı analizi, değişkenler arasındaki olasılıksal ilişkileri bir ağ yapısıyla temsil eden ve gözlenen bilgiler doğrultusunda olasılıkları güncelleyen bir modelleme yaklaşımıdır. İngilizcede Bayesian Network olarak adlandırılır; Türkçede Bayes ağı, Bayesçi ağ veya Bayes inanç ağı ifadeleri kullanılır. [1]

Kısaca

• Düğümler değişkenleri, oklar doğrudan olasılıksal bağımlılıkları gösterir.
• Yeni bir gözlem girildiğinde ağdaki diğer olasılıklar güncellenir.
• Yapı uzman bilgisiyle, veriden ya da ikisinin birleşimiyle kurulabilir.
• Oklar, tek başına neden–sonuç kanıtı değildir.

Bu rehberde yöntemin temel mantığını, akademik araştırmalarda nasıl kullanılabileceğini, analiz adımlarını ve ücretsiz–ücretli yazılım seçeneklerini bulabilirsiniz.

Bayes ağı nedir?

Bir Bayes ağının iki temel bileşeni vardır: grafik yapı ve olasılık modeli. Grafikteki düğümler değişkenleri, yönlü bağlantılar ise modeldeki doğrudan olasılıksal bağımlılıkları temsil eder. Grafik yönlü ve döngüsüzdür; okları takip ederek başladığınız düğüme geri dönemezsiniz. [1]

Kategorik değişkenlerden oluşan bir ağda olasılıklar çoğunlukla koşullu olasılık tablolarıyla tanımlanır. Bir değişkenin olasılık dağılımı, grafikte ona doğrudan bağlanan üst değişkenlerin durumlarına göre belirlenir.

Ancak bir ok, tek başına neden–sonuç kanıtı değildir. Ağın nedensel olarak yorumlanması için araştırma tasarımının, alan bilgisinin ve model varsayımlarının bu yorumu desteklemesi gerekir. [2]

Bayes ağı analizi hangi soruları cevaplar?

Yöntem, özellikle koşullu olasılık sorularını incelemek için kullanılabilir:

• Belirli gözlemler varken hedef sonucun olasılığı nedir?
• Yeni bir bilgi girildiğinde mevcut tahmin nasıl değişir?
• Bir sonuç gözlendiğinde, olası kaynakların olasılıkları nasıl güncellenir?
• Farklı kanıt kombinasyonlarında model hangi sonuçları üretir?
• Modelin tahminleri farklı veri örneklerinde ne kadar tutarlıdır?

Olasılıksal çıkarım sırasında bilgi yalnızca okların yönünde kullanılmaz. Örneğin bir arıza belirtisini gözlemek, modelde olası arıza kaynakları hakkındaki tahminleri de güncelleyebilir. Bu güncelleme, nedensel yönün tersine döndüğü anlamına gelmez. [1]

Basit bir Bayes ağı örneği

Bir enerji tesisinde bir sonraki çalışma döneminde ekipman arızası olasılığını incelemek istediğimizi varsayalım. İlk öğretici modelde yalnızca iki değişken kullanalım:

• Bakım gecikmesi: Var veya yok.
• Arıza: Var veya yok.

Ağ yapısı tek bir oktan oluşur: Bakım gecikmesi → Arıza.

Aşağıdaki değerler tamamen temsilidir ve gerçek tesis verisine dayanmaz:

Okun yönünde çıkarım: Tahmin

Bakım gecikmesinin görülme olasılığını %30 kabul edersek, bakım durumu bilinmeden arıza olasılığı şöyle hesaplanır:

0,70 × 0,05 + 0,30 × 0,20 = 0,095, yani %9,5.

Bakım gecikmesi olduğu öğrenildiğinde arıza olasılığı bu temsili modelde %20'ye yükselir. Bakım gecikmesi olmadığı öğrenilirse %5'e düşer.

Okun tersi yönünde çıkarım: Tanısal değerlendirme

Şimdi soruyu tersinden soralım: Arıza gerçekleştiği biliniyorsa, bakım gecikmesi olmuş olma olasılığı nedir? Bayes teoremiyle:

(0,30 × 0,20) / 0,095 = 0,06 / 0,095 ≈ 0,63, yani yaklaşık %63.

Başlangıçta %30 olan bakım gecikmesi olasılığı, arıza gözlendikten sonra yaklaşık %63'e yükselir. Ok yönü değişmemiştir; değişen, elimizdeki bilgiye göre güncellenen olasılıktır.

Bu örnek, koşullu olasılığın mantığını gösterir. Gerçek bir modelde yük, ekipman yaşı ve ölçüm sonuçları gibi başka değişkenler de değerlendirilebilir. Ancak “bakım durumunu gözlemek” ile “bakım politikasına müdahale etmek” aynı analiz değildir. Bir bakım müdahalesinin etkisini hesaplamak, nedensel olarak gerekçelendirilmiş bir model gerektirir. [2]

Akademik araştırmalarda Bayes ağları nasıl kullanılabilir?

Araştırma sorusuna göre olası uygulamalar şunlardır:

Bu örnekler yöntem seçimi için başlangıç fikirleridir. Değişkenlerin ölçümü, veri kalitesi ve doğrulama planı belirlenmeden bir modelin araştırmaya uygun olduğu söylenemez.

Bayes ağı analizi nasıl yapılır?

1. Araştırma amacını belirleyin

Önce tahmin, tanısal değerlendirme veya nedensel çıkarım amaçlarından hangisinin hedeflendiğini açıklayın. Aynı veriyle çizilen bir ağ, bu amaçların tümü için eşit derecede uygun olmayabilir.

Örneğin “arıza olasılığını tahmin etmek” ile “bakım sıklığını değiştirmenin arıza üzerindeki etkisini hesaplamak” farklı araştırma sorularıdır.

2. Değişkenleri ve veri yapısını hazırlayın

Her değişken için anlam, ölçüm zamanı, veri türü ve eksik değer durumu tanımlanmalıdır. Tahmin amacı varsa, hedef sonuç gerçekleşmeden önce erişilebilen bilgileri kullanmak önemlidir.

Bayes ağları yalnızca kategorik verilerle sınırlı değildir. Sürekli ve karma veri için de modeller bulunur; desteklenen dağılımlar kullanılan yöntem ve yazılıma bağlıdır. Örneğin bnlearn ayrık, Gaussian ve koşullu doğrusal Gaussian modeller sunar. [3]

Sürekli bir değişkeni “düşük–orta–yüksek” şeklinde kategorilere ayırmak gerekebilir. Bunun sınırları gerekçelendirilmelidir; farklı kategorileştirme seçenekleri sonuçları değiştirebilir. [4]

3. Ağ yapısını oluşturun

Ağ yapısı alan bilgisiyle kurulabilir, veriden öğrenilebilir veya iki yaklaşım birleştirilebilir. Veri temelli yapı öğrenmede koşullu bağımsızlık testleri, yapı puanları ve karma algoritmalar kullanılabilir. [3]

Otomatik algoritmanın ürettiği her bağlantı araştırmacı tarafından değerlendirilmelidir. Ölçüm zamanı veya alan bilgisiyle çelişen yönler, modele kısıtlar eklenmesini gerektirebilir.

4. Model parametrelerini belirleyin

Yapı belirlendikten sonra ilgili olasılık dağılımları tahmin edilir. Parametreler gözlem verisinden veya yapılandırılmış uzman değerlendirmelerinden elde edilebilir.

Uzman bilgisi kullanılıyorsa uzman seçimi, değerlendirme soruları, görüşlerin birleştirilmesi ve belirsizliklerin nasıl ele alındığı açıklanmalıdır. Veri azlığı, modelin güvenilirliğine ilişkin soruları ortadan kaldırmaz.

5. Kanıt girerek olasılıkları inceleyin

Belirli değişkenler için gözlemler girildiğinde hedef değişkenlerin olasılıkları güncellenir. Bu aşamada tek bir sonucu göstermek yerine, araştırma sorusuna uygun birkaç kanıt kombinasyonu karşılaştırılabilir. GeNIe, etkileşimli model kurma ve kanıt kümeleriyle çalışma özellikleri sunar. [5]

6. Modeli doğrulayın

Modelin öğrenildiği veride iyi görünmesi, yeni veride başarılı olacağını garanti etmez. Veri temelli tahmin modellerinde test verisi veya çapraz doğrulama kullanılabilir. Yapı kararlılığı ise yeniden örnekleme yöntemleriyle incelenebilir. [6]

Değerlendirme ölçütlerini amaca göre seçin. Sınıflandırma başarısı, olasılık tahminlerinin kalibrasyonu ve uzman değerlendirmesine uygunluk farklı konulardır. Netica; karışıklık matrisi, hata oranı, Brier skoru ve kalibrasyon tablosu gibi değerlendirme çıktıları sunar. [7]

Bayes ağı, regresyon ve SEM arasındaki farklar

Bu yöntemler farklı araştırma amaçlarına hizmet edebilir. Aşağıdaki karşılaştırma genel bir yönlendirmedir; yöntemlerin tüm çeşitlerini kapsamaz.

Bayes ağı, bir SEM modelinin yalnızca farklı çizilmiş biçimi değildir. Benzer görünen grafikler farklı varsayımlar ve tahmin hedefleri taşıyabilir. Yöntem, araştırma sorusuna göre seçilmelidir.

Bayes ağı analizi için ücretsiz ve ücretli yazılımlar

bnlearn ve pgmpy, kodla çalışan araştırmacılar için seçeneklerdir. [3, 8] Grafik arayüz isteyenler GeNIe, Netica ve BayesiaLab'ın özelliklerini inceleyebilir. [5, 7, 9]

GeNIe'nin ücretsiz akademik lisansı her kullanım için geçerli değildir. BayesFusion, üniversite mensuplarının danışmanlık projelerini de ücretsiz akademik kullanım kapsamı dışında tanımlar. Ücretli analiz hizmetleri için ticari lisans koşulları kontrol edilmelidir. [10]

Lisans fiyatları ve kullanım koşulları değişebileceğinden, satın almadan veya projeye başlamadan önce resmî sayfalardaki güncel bilgileri inceleyin.

Bayes ağı sonuçları tez veya makalede nasıl raporlanır?

Rapor, okuyucunun modelin nasıl kurulduğunu ve sonuçların hangi koşullarda geçerli olduğunu anlamasını sağlamalıdır. Şu bilgileri açıklamak yararlı olur:

• Araştırma amacı ve modeldeki değişkenlerin tanımları.
• Veri kaynağı, eksik değer işlemleri ve varsa kategorileştirme kararları.
• Ağ yapısının nasıl belirlendiği ve kullanılan kısıtlar.
• Olasılıkların nasıl tahmin edildiği veya uzmanlardan nasıl alındığı.
• Yazılım, sürüm, algoritma ve ilgili ayarlar.
• Doğrulama yaklaşımı ve performans sonuçları.
• İncelenen kanıt kombinasyonları ve yorumun sınırları.

Yalnızca ağın görselini sunmak yeterli değildir. Örneğin hedef olasılığın yükseldiği belirtiliyorsa başlangıç durumu, girilen kanıt ve kullanılan model açıkça verilmelidir.

Bayes ağı analizinde sık yapılan hatalar

Okları otomatik olarak nedensel yorumlamak: Veriden öğrenilen yönlü yapı, tek başına bir müdahalenin etkisini kanıtlamaz.

Gereksiz karmaşık bir ağ kurmak: Özellikle kategorik modellerde üst değişkenler ve durum sayıları arttıkça tahmin edilmesi gereken olasılıkların sayısı hızla büyür. Örneğin üç durumlu bir değişkenin üç durumlu dört üst değişkeni varsa, koşullu olasılık tablosunda 3⁴ = 81 üst değişken kombinasyonu bulunur. Modelin karmaşıklığı veriyle desteklenmelidir.

Kategorileri gerekçesiz belirlemek: Ölçek puanlarını keyfî aralıklarla bölmek bilgi kaybına ve farklı sonuçlara yol açabilir.

Doğrulamayı atlamak: Düzgün görünen bir grafik, tahminlerin güvenilir olduğunu göstermez.

Uzman görüşünü kesin veri gibi sunmak: Uzman değerlendirmelerinin kaynağı ve belirsizliği raporlanmalıdır.

Sık sorulan sorular

Bayes ağı analizi anket verisiyle yapılabilir mi?

Araştırma sorusu ve veri yapısı uygunsa yapılabilir. Likert maddelerinin, toplam ölçek puanlarının veya kategorilerin hangisinin kullanılacağı ayrıca değerlendirilmelidir. Bir ölçeğin güvenilirlik ve geçerlik incelemesi, ağ kurulduğu için tamamlanmış sayılmaz.

Kaç kişilik örneklem gerekir?

Her Bayes ağı için geçerli tek bir sayı yoktur. Değişken ve kategori sayısı, bağlantı yapısı, nadir durumlar, veri eksikliği ve tahmin amacı birlikte değerlendirilmelidir. Basit bir model için yeterli görünen veri, daha karmaşık bir yapı için yetersiz olabilir.

Veri yoksa yalnızca uzman görüşüyle Bayes ağı kurulabilir mi?

Kurulabilir. Özellikle nadir olayların incelendiği risk ve emniyet çalışmalarında ağ yapısı ve olasılıklar yapılandırılmış uzman değerlendirmeleriyle belirlenebilir. Bu durumda uzman seçimi, soru formu, görüşlerin birleştirilmesi ve duyarlılık analizi ayrıntılı biçimde raporlanmalıdır.

Bulanık Bayes ağı nedir?

Bulanık Bayes ağı, uzmanların “düşük”, “orta”, “yüksek” gibi sözel değerlendirmelerini bulanık küme yaklaşımıyla sayısal olasılıklara dönüştürüp bu değerleri Bayes ağında kullanan bir yaklaşımdır. Denizcilik ve risk analizi gibi verinin sınırlı olduğu alanlarda tercih edilebilir. Kullanılan bulanık sayılar, birleştirme ve durulaştırma yöntemleri açıkça raporlanmalıdır.

Naive Bayes ile Bayes ağı aynı şey midir?

Naive Bayes, sınıf değişkeni bilindiğinde açıklayıcı değişkenlerin birbirinden koşullu bağımsız olduğunu varsayan özel bir Bayes ağı sınıflandırıcısıdır. Genel Bayes ağları daha farklı bağımlılık yapıları temsil edebilir.

Bayes ağı ile ağ meta-analizi aynı yöntem midir?

Hayır. Bayes ağı değişkenler arasındaki olasılıksal yapıyı modeller. Ağ meta-analizi ise farklı müdahaleler arasındaki karşılaştırmaları çalışmalar üzerinden sentezler. Ağ meta-analizinde Bayesçi yöntemler kullanılabilmesi, iki yaklaşımı aynı yapmaz.

BayesFusion ile GeNIe aynı şey midir?

BayesFusion yazılım sağlayıcısının adıdır. GeNIe Modeler, bu sağlayıcının grafik arayüzlü modelleme yazılımıdır. SMILE ise GeNIe'nin kullandığı hesaplama motorudur. [5]

Araştırmanız için uygun yöntemi değerlendirin

Bayes ağı analizi kullanmayı düşünüyorsanız ilk adım araştırma sorusunu, hedef sonucu ve mevcut veri yapısını netleştirmektir. Bunlar, yöntemin uygunluğunu ve gereken modelleme çalışmalarını değerlendirmeyi kolaylaştırır.

Araştırma sorunuz ve veri yapınız için yöntem değerlendirmesi almak üzere Akademik Analiz ile iletişime geçebilirsiniz.

Kaynaklar ve yazılım bağlantıları

1. BayesFusion — Bayesian Networks
2. pgmpy — Causal Inference
3. bnlearn — Paket belgeleri
4. bnlearn — Veri hazırlama ve kategorileştirme
5. BayesFusion — GeNIe Modeler
6. bnlearn — Çapraz doğrulama
7. Norsys — Netica
8. pgmpy — Belgeler ve MIT lisansı
9. BayesiaLab — Lisans seçenekleri
10. BayesFusion — İndirme ve akademik kullanım koşulları