Réseau bayésien

L'incertitude est une réalité de la vie. Cependant, l'existence de l'incertitude ne signifie pas que nous ne pouvons pas faire de prédictions sur les relations de cause à effet. La théorie des probabilités suggère que, bien que nous ne puissions pas être certains d'un seul résultat d'un événement aléatoire, nous pouvon^s prédire la probabilité d'un certain nombre de résultats possibles.1 La théorie des probabilités consiste à faire des déductions éclairées face à l'incertitude.

Un réseau bayésien est un modèle graphique probabiliste. Il est utilisé pour modéliser l'inconnu sur la base du concept de la théorie des probabilités. Les réseaux bayésiens montrent une relation entre les nœuds - qui représentent les variables - et les résultats, en déterminant si les variables sont dépendantes ou indépendantes. Un réseau bayésien fonctionne à rebours, en examinant un événement et en suggérant les variables possibles qui y ont conduit. En d'autres termes, un réseau bayésien fournit des informations sur les probabilités concernant les causes et les effets des événements.

Par exemple, si vous observez que l'herbe est mouillée, vous pouvez demander : "Quelle est la probabilité que l'herbe soit mouillée parce qu'il pleut ?" Pour déterminer cette probabilité, vous devez calculer la fréquence à laquelle la pluie est à l'origine de l'herbe mouillée, ce qui implique également de connaître la fréquence à laquelle l'herbe est mouillée pour une autre raison (par exemple, si l'arroseur est en marche). Étant donné que la mise en marche de l'arroseur dépend également du fait qu'il pleuve ou non, un réseau b^ayésien représenterait les différentes variables conditionnelles et leurs probabilités respectives.2