நிகழ்தகவில் பேயஸ் தேற்றத்தைப் பயன்படுத்துதல்

நிகழ்தகவில் பேயஸ் தேற்றத்தைப் பயன்படுத்துதல்

நிகழ்தகவு என்பது ஒரு நிகழ்வு நடப்பதற்கான சாத்தியக்கூறுகளைப் பற்றி ஆய்வு செய்யும் கணிதத்தின் ஒரு பிரிவாகும். நிகழ்தகவின் அடிப்படைக் கருத்துக்களில் ஒன்று பேயஸ் தேற்றம் ஆகும். இந்தத் தேற்றத்தை, ஆங்கிலக் கணிதவியலாளரும் மதகுருவுமான தாமஸ் பேயஸ் உருவாக்கி, 18 ஆம் நூற்றாண்டின் பிற்பகுதியில் அவரது மறைவுக்குப் பின் வெளியிட்டார். பேயஸ் தேற்றம் என்பது புள்ளியியல் அனுமானம், தரவுப் பகுப்பாய்வு, செயற்கை நுண்ணறிவு மற்றும் பல துறைகளுக்கு ஒரு அடிப்படை அடித்தளமாகும். இந்தக் கட்டுரை, பேயஸ் தேற்றம் என்றால் என்ன, அதை எவ்வாறு பயன்படுத்துவது, மற்றும் பல்வேறு களங்களில் அதன் சில நடைமுறைப் பயன்பாடுகள் குறித்து விவாதிக்கும்.

பேயஸ் தேற்றத்தைப் புரிந்துகொள்ளுதல்

பேயஸ் தேற்றம் என்பது, கிடைக்கப்பெற்ற தகவல் அல்லது சான்றுகளின் அடிப்படையில் ஒரு நிகழ்வு நடப்பதற்கான நிகழ்தகவைத் தொடர்புபடுத்தும் ஒரு சூத்திரமாகும். முறையாக, இந்தத் தேற்றம் பின்வருமாறு கூறப்படுகிறது:

\[ P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} \]

இந்த சூத்திரத்தில்:
– \( P(A|B) \) என்பது B நிகழும் பட்சத்தில் A என்ற நிகழ்வு ஏற்படுவதற்கான நிகழ்தகவு (இது பின்தள நிகழ்தகவு என்றும் அழைக்கப்படுகிறது).
– \( P(B|A) \) என்பது, A நிகழும் பட்சத்தில் B என்ற நிகழ்வு ஏற்படுவதற்கான நிகழ்தகவு ஆகும் (இது சாத்தியக்கூறு நிகழ்தகவு என்றும் அழைக்கப்படுகிறது).
– \( P(A) \) என்பது எந்த நிபந்தனைகளும் இன்றி A நிகழ்வதற்கான நிகழ்தகவு (முன் நிகழ்தகவு என்றும் அழைக்கப்படுகிறது).
– \( P(B) \) என்பது எந்த நிபந்தனைகளும் இன்றி B நிகழ்வதற்கான நிகழ்தகவு (B-யின் மொத்த நிகழ்தகவு).

சமீபத்திய தரவுகளின் அடிப்படையில் ஒரு நிகழ்வு குறித்த நமது கணிப்புகளையோ அல்லது புரிதலையோ புதுப்பிக்க உதவுவதற்காக, இந்தத் தேற்றத்தைப் பல்வேறு சூழ்நிலைகளில் பயன்படுத்தலாம்.

உன்னதமான வழக்கு: மருத்துவ நோயறிதல்

பேயஸ் தேற்றத்தின் மிகவும் பொதுவான நடைமுறைப் பயன்பாடுகளில் ஒன்று மருத்துவத் துறையில், குறிப்பாக நோய் கண்டறிதலில் உள்ளது. எடுத்துக்காட்டாக, ஒருவருக்குச் சாதகமான பரிசோதனை முடிவு கிடைத்த பிறகு, அவருக்கு ஒரு குறிப்பிட்ட நோய் இருப்பதற்கான நிகழ்தகவை நாம் அறிய விரும்புகிறோம் என்று வைத்துக்கொள்வோம்.

1. மாறிகளை வரையறுக்கவும்:
– அ = நோயாளி ஒரு நோயால் (உதாரணமாக, புற்றுநோய்) பாதிக்கப்பட்டுள்ளார்.
– B = பரிசோதனையில் நேர்மறையான முடிவு வந்துள்ளது.

2. அறியப்பட்ட நிகழ்தகவுகள்:
– \( P(A) \): ஒரு நோயாளி பரிசோதனைக்கு உட்படுவதற்கு முன்பு அவருக்கு ஒரு நோய் இருப்பதற்கான நிகழ்தகவு, இது நோயின் பரவல் என்றும் அழைக்கப்படுகிறது.
– \( P(B|A) \): நோயாளிக்கு நோய் இருக்கும்பட்சத்தில், பரிசோதனை நேர்மறையான முடிவைக் காட்டுவதற்கான நிகழ்தகவு (சில நேரங்களில் உணர்திறன் என்றும் அழைக்கப்படுகிறது).
– \( P(B|\neg A) \): நோயாளிக்கு நோய் இல்லாத பட்சத்தில், பரிசோதனையில் நேர்மறை முடிவு வருவதற்கான நிகழ்தகவு (சில நேரங்களில் இது பிழை விகிதம் அல்லது தவறான நேர்மறை விகிதம் என்றும் அழைக்கப்படுகிறது).

3. மொத்த நிகழ்தகவை (P(B)) கணக்கிடுக:
ஒருவருக்கு பரிசோதனை முடிவு சாதகமாக வருவதற்கான நிகழ்தகவை பின்வருமாறு கண்டறியலாம்:

\[ P(B) = P(B|A) \cdot P(A) + P(B|\neg A) \cdot P(\neg A) \]

4. பேயஸ் தேற்றத்தின் பயன்பாடு:
இந்த நிகழ்தகவுகள் அனைத்தும் கணக்கிடப்பட்டவுடன், பேயஸ் தேற்றத்தைப் பயன்படுத்தி \( P(A|B) \): என்பதைக் கண்டறியலாம்.

\[ P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} \]

ஒரு எண் உதாரணத்தைப் பார்ப்போம். நோய்ப் பரவல் (P(A)) 1%, பரிசோதனையின் உணர்திறன் (P(B|A)) 99%, மற்றும் தவறான நேர்மறை விகிதம் (P(B|not A)) 5% என்று வைத்துக்கொள்வோம்.

[ P(A) = 0.01 ]
[ P(B|A) = 0.99 ]
[ P(B|not A) = 0.05 ]

நேர்மறையான சோதனை முடிவைப் பெறுவதற்கான மொத்த நிகழ்தகவு (P(B)) பின்வருமாறு கணக்கிடப்படலாம்:

\[ P(B) = P(B|A) \cdot P(A) + P(B|not A)\cdot P(\neg A) \]
\[ P(B) = (0.99 \cdot 0.01) + (0.05 \cdot 0.99) \]
\[ P(B) = 0.0099 + 0.0495 \]
[ P(B) = 0.0594 ]

எனவே, நமக்கு ஒரு நேர்மறையான சோதனை முடிவு (B) கிடைத்தால், நோயாளிக்கு நோய் (A) இருப்பதற்கான நிகழ்தகவை பின்வருமாறு கணக்கிடலாம்:

\[ P(A|B) = \frac{P(B|A)\cdot P(A)}{P(B)} \]
\[ P(A|B) = \frac{0.99 \cdot 0.01}{0.0594} \]
\[ P(A|B) = \frac{0.0099}{0.0594} \approx 0.167 \]

எனவே, நேர்மறைப் பரிசோதனை முடிவுகள் மிகவும் துல்லியமானவை என்றாலும், நோயின் பரவல் குறைவாக இருப்பதால், பரிசோதனையில் நேர்மறை முடிவு பெறும் ஒருவருக்கு நோய் இருப்பதற்கான நிகழ்தகவு இன்னமும் சுமார் 16.7% மட்டுமே.

பேயஸ் தேற்றத்தின் பிற பயன்பாடுகள்

பேயஸ் தேற்றம் மருத்துவத் துறையில் மட்டுமல்லாமல், வேறு பல துறைகளிலும் பயனுள்ளதாக இருக்கிறது:

1. ஸ்பேம் வடிகட்டி:
ஸ்பேம் மின்னஞ்சல் வடிகட்டிகள், ஒரு மின்னஞ்சல் ஸ்பேமா இல்லையா என்பதைத் தீர்மானிக்க பெரும்பாலும் பேயஸ் தேற்றத்தைப் பயன்படுத்துகின்றன. ஸ்பேம் வடிகட்டும் வழிமுறைகள், ஒரு புள்ளிவிவர மாதிரியைப் பயன்படுத்தி, ஒரு மின்னஞ்சல் செய்தியில் உள்ள வார்த்தைகளைப் பகுப்பாய்வு செய்து, குறிப்பிட்ட வார்த்தைகளின் எண்ணிக்கையின் அடிப்படையில் அந்த மின்னஞ்சல் ஸ்பேமாக இருப்பதற்கான நிகழ்தகவைக் கணக்கிடுகின்றன.

2. நிதி இடர் மாதிரியாக்கம்:
நிதியியலில், சமீபத்திய தகவல்களின் அடிப்படையில் சந்தை அல்லது இடர் கணிப்புகளைப் புதுப்பிக்க இந்தத் தேற்றம் பயன்படுத்தப்படுகிறது. வரலாற்றுத் தரவுகளைப் பயன்படுத்தி, பேயஸ் தேற்றத்தைப் பிரயோகிப்பதன் மூலம், ஆய்வாளர்கள் மேலும் தகவலறிந்த முதலீட்டு முடிவுகளை எடுக்க முடியும்.

3. செயற்கை நுண்ணறிவு மற்றும் இயந்திரக் கற்றல்:
நேவ் பேயஸ் வகைப்படுத்தி என்பது பேயஸ் தேற்றத்தை நேரடியாக அடிப்படையாகக் கொண்ட ஒரு பிரபலமான இயந்திர கற்றல் வழிமுறை ஆகும். இந்த வழிமுறை, உரை அறிதல், ஆவண வகைப்பாடு மற்றும் உணர்வுப் பகுப்பாய்வு போன்ற பல்வேறு வகைப்படுத்தல் பணிகளுக்குப் பயன்படுத்தப்படுகிறது.

4. மோசடி கண்டறிதல்:
நிதிப் பரிவர்த்தனைகள், கடன் அட்டைப் பயன்பாடு அல்லது காப்பீடு போன்றவற்றில் நிகழும் மோசடிகளைக் கண்டறிவதில், புதிய தரவுகள் வெளிவரும்போது மோசடி நடப்பதற்கான நிகழ்தகவை மதிப்பிடுவதற்காக, அவதானிப்புகளைப் புதுப்பிக்க பேயஸ் தேற்றம் உதவுகிறது.

முடிவுரை

பல்வேறு அறிவியல் துறைகளிலும் நடைமுறைப் பயன்பாடுகளிலும், புதிய சான்றுகளின் அடிப்படையில் நிகழ்தகவுகளைப் புதுப்பிப்பதற்கு பேயஸ் தேற்றம் ஒரு சக்திவாய்ந்த கருவியாக விளங்குகிறது. அதன் அடிப்படைக் கருத்துக்களையும் பயன்பாடுகளையும் புரிந்துகொள்வதன் மூலம், நிச்சயமற்ற சூழ்நிலைகளில் சிறந்த முடிவுகளை எடுப்பதற்கு நாம் பேயஸ் தேற்றத்தைச் சார்ந்திருக்க முடியும். இருப்பினும், துல்லியமான ஆரம்ப அனுமானங்கள் அல்லது முன் நிகழ்தகவுகள் மற்றும் நம்பகமான தரவுகள் அல்லது சாத்தியக்கூறுகள் ஆகியவையே அதன் வெற்றிக்கு முக்கியமாகும். பேயஸ் தேற்றம், புள்ளியியல் மற்றும் நிகழ்தகவில் தற்காலத்திற்கும் பொருத்தமான ஒரு முக்கிய அடித்தளமாகத் திகழ்கிறது.