Model-based decision support systems are preferred due to consistency in decision-making and due to time-efficiency in model evaluation and modification. Constructing a model may take time if a number of random variables are involved in the model and the model structure is not simple. Classification is a form of decision making under a certain loss structure.
Consider a decision support system based on a Bayesian network(BN) where all the variables involved are binary, each taking on 0 or 1. The system categorizes the probability that a certain variable is equal to 1 conditional on a set of variables in an ascending order of the probability values and predicts for the variable in terms of category levels.
We introduce the notion of similarity between BN models and propose a method of constructing a BN whose prediction is robust when the prediction is made for a variable in terms of category levels of probability. We have considered a uniform distribution, a beta distribution, and a variation of the beta distribution for the distributions of the conditional probabilities. We investigate how the agreement levels are affected in a BN model by simulation. We also explored the distribution of the total score of a test, and we showed that the total score has a normal distribution under some conditions.
모형에 기반한 결정지원시스템은 결정과정의 일관성 그리고 모형 평가와 변형에 있어서 시간적 효율성 때문에 선호된다. 모형 안에 포함된 변수가 많고 모델의 구조가 복잡해질수록 모형구축 시간이 많이 필요하다. 분류법은 일정부분 정보손실을 인정하고 빠르게 의사결정을 하는 방법이다.
베이지안 네트워크에 기반한 결정지원스시템을 고려한다. 관련 변수들은 0 또는 1의 값을 갖는 이항변수이다. 여러 확률변수가 조건이 되고 확률변수 값이 1일 때의 값을 크기 순으로 배열한다. 배열후 시스템은 확률값을 적절하게 구분된 등급으로 범주화하여 확률변수를 예측한다.
본 학위논문에서는 베이지안네트워크 모형사이의 유사성에 관한 개념을 소개하고 강건한 예측력을 갖는 베이지안모형구축법을 제안한다. 예측은 5단계의 등급으로 확률변수를 범주화한다. 실증적 방법으로 일양분포, 베타분포 그리고 변형된 베타분포를 조건부 확률분포로 사용하였다. 모의실험을 통해서 모형의 형태에 따라 일치등급값이 어떻게 영향을 받는지 알아보았다. 또한, 시험성적 총점의 분포에 대해서도 관심을 가지고 어떤 조건에서 총점이 정규분포를 따르는가를 보였다.
