R を準備しています…
機械学習の基礎(東京女子大学 2026年度後期)
第6回 ベイジアンネットワーク
管理

第6回 ベイジアンネットワーク

このページの使い方

  1. 画面上部の帯が緑になるまで待つ(Rの準備。初回は数十秒かかる)。
  2. Ⅰで確率とベイジアンネットワークのしくみを読み、黒い枠のRプログラムを上から順に「▶ 実行」で動かす。
  3. Ⅲの例題を、ステップの順に実行する。
  4. Ⅳで、生成AIに自分のテーマのデータとプログラムを作らせて分析する。
  5. 最後の「課題用プログラム」で、データ作成 → プログラム → 実行 → 考察 を行い、レポートにまとめる。

黒い枠のプログラムは自由に書き換えてよい。「元のコードに戻す」で元に戻る。

今日の目標

  1. 同時確率を2通りに表して(乗法定理)ベイズの定理を導き、「陽性でも病気とは限らない」理由を数字で示せる。
  2. ベイジアンネットワークが「矢印の図(原因 → 結果)」と「確率表」でできていることを説明できる。矢印の3つのつながり方(連鎖・分岐・合流)の違いを説明できる。
  3. 証拠を入れて、結果の予測(原因 → 結果)と原因の診断(結果 → 原因)ができる。
  4. データから確率表を学び、BICで矢印の引き方(形)を比べられる。
  5. 生成AIに作らせた自分のデータで同じ分析を行い、結果が妥当かを確かめられる。

Ⅰ ベイジアンネットワークのしくみ

ステップ1確率の基本:同時確率と条件付き確率

ある学生の300日分の記録から、天気と遅刻の関係を数える。まず、300日を300個のマスとして並べてみる。

300日を300マスで表した図
図1 300日の記録。確率は「マスの数の割合」で考えると分かりやすい。
遅刻しない遅刻した合計
晴れ17031201
雨712899
合計24159300
名前書き方意味計算
確率P(遅刻)遅刻する確率59 ÷ 300 = 0.197
同時確率P(雨 かつ 遅刻)雨で、しかも遅刻する確率28 ÷ 300 = 0.093
条件付き確率P(遅刻 | 雨)雨の日に限ると、遅刻する確率28 ÷ 99 = 0.283
条件付き確率P(雨 | 遅刻)遅刻した日に限ると、雨だった確率28 ÷ 59 = 0.475

条件付き確率=「見るマスを絞ってから数える」

P(遅刻|雨) と P(雨|遅刻) の比較
図2 「|」の右側で、見る範囲を絞る。絞り方が違えば、答えも違う。
「|」の右側は「〜が分かっているとき」と読む。P(遅刻 | 雨) と P(雨 | 遅刻) はまったく別の値である(0.283 と 0.475)。この2つを取り違えることは、ニュースや日常会話でもよく起きる(たとえば「事故を起こした人の多くが○○だった」と「○○の人の多くが事故を起こす」は別の話である)。
ステップ2ベイズの定理:同時確率から導く

ステップ1で、P(遅刻 | 雨)=0.283 と P(雨 | 遅刻)=0.475 はまったく別の値だと分かった。では、片方が分かっているとき、もう片方を計算で求められないだろうか。その方法がベイズの定理である。ここでは定理を覚えるのではなく、表の数え方から自分で導く。手順は次の4つである。

手順やること使う図
(1)「雨 かつ 遅刻」の28日に、2つの順番でたどり着く図3(樹形図)
(2)同じことを「面積」で見る図4(面積図)
(3)2つの式を等号でつなぎ、割り算をしてベイズの定理を出す図5(式の変形)
(4)実際の数で確かめ、部品の名前を覚える図6(部品と約分)

(1) 「雨 かつ 遅刻」の28日に、2つの道でたどり着く

表の「雨で遅刻」の28日は、300日からどちらの順番で絞り込んでもたどり着ける。

道①(天気→遅刻)と道②(遅刻→天気)の樹形図
図3 同じ28日に2つの道でたどり着く。枝の割合を掛けると、どちらも 28/300 になる。
道1段目で絞る2段目で絞る掛け算すると
道① 天気 → 遅刻300日のうち雨は99日
P(雨)=99/300
雨の99日のうち遅刻は28日
P(遅刻 | 雨)=28/99
99/300 × 28/99 = 28/300
道② 遅刻 → 天気300日のうち遅刻は59日
P(遅刻)=59/300
遅刻の59日のうち雨は28日
P(雨 | 遅刻)=28/59
59/300 × 28/59 = 28/300

どちらの道でも、答えは「雨 かつ 遅刻」の同時確率 28/300 になる。式で書くと次のとおりである。この関係を乗法定理(かけ算の規則)という。

P(雨 かつ 遅刻) = P(遅刻 | 雨) × P(雨) = P(雨 | 遅刻) × P(遅刻)
「かつ」と「×」を区別する
・P(雨 かつ 遅刻) の「かつ」は、出来事の組み合わせ(雨が降り、しかも遅刻した)を表す。
・P(遅刻 | 雨) × P(雨) の「×」は、確率(数)どうしの掛け算である。
確率と確率の間に「かつ」を書く(P(遅刻 | 雨) かつ P(雨))のは誤りである。
また、P(雨 かつ 遅刻) は P(雨) × P(遅刻) = 99/300 × 59/300 ≒ 0.065 とは一致しない(正しくは 0.093)。2段目は「絞り込んだ後の割合」(条件付き確率)を掛ける必要がある。単純に掛けてよいのは、雨と遅刻が無関係(独立)なときだけである。

(2) 面積で見る:横の長さ × 縦の長さ = 面積

300日全体を「面積1の正方形」と考えると、確率は面積になる。長方形の面積が「横×縦」で求まるのと同じように、同時確率は「1段目の割合 × 2段目の割合」で求まる。

道①と道②の面積図
図4 道①は細長い長方形、道②は平たい長方形になるが、オレンジの面積はどちらも 28/300 である。
横の長さ縦の長さオレンジの面積
道①P(雨)=99/300(雨の柱の幅)P(遅刻 | 雨)=28/99(雨の柱の中での高さ)28/300
道②P(雨 | 遅刻)=28/59(遅刻の帯の中での幅)P(遅刻)=59/300(遅刻の帯の高さ)28/300

条件付き確率は、絞り込んだ部分(雨の柱、遅刻の帯)の中での割合である。だから、絞り込んだ部分の大きさを掛けると、全体の中での割合(同時確率)に戻る。

(3) 2つの式を等号でつなぎ、割り算をする

乗法定理からベイズの定理を導く式の変形
図5 2つの道の式を等号でつなぎ、どちらかで割ると、ベイズの定理が出てくる。
段階式理由
①P(雨 かつ 遅刻) = P(遅刻 | 雨) × P(雨)道①の乗法定理
②P(雨 かつ 遅刻) = P(雨 | 遅刻) × P(遅刻)道②の乗法定理
③P(雨 | 遅刻) × P(遅刻) = P(遅刻 | 雨) × P(雨)①と②の左辺が同じなので、右辺どうしも等しい
④P(雨 | 遅刻) = P(遅刻 | 雨) × P(雨) ÷ P(遅刻)③の両辺を P(遅刻) で割る
④'P(遅刻 | 雨) = P(雨 | 遅刻) × P(遅刻) ÷ P(雨)③の両辺を P(雨) で割る
P(雨 | 遅刻) = P(遅刻 | 雨) × P(雨) ÷ P(遅刻)   P(遅刻 | 雨) = P(雨 | 遅刻) × P(遅刻) ÷ P(雨)

④と④'は同じ定理で、何を知りたいかによって向きを変えたものである。ふつうは「原因 → 結果」の確率(雨なら遅刻しやすいか)は調べやすく、「結果 → 原因」の確率(遅刻した日は雨だったか)を知りたいことが多い。そのため、④の形で書くことが多い。

(4) 数で確かめる

小数ではなく分数のまま計算すると、途中の 99 や 300 が約分で消え、数えた値とぴったり一致する。

求めるものベイズの定理に代入約分すると数えた値
P(雨 | 遅刻) ④28/99 × 99/300 ÷ 59/30028/59 ≒ 0.47528 ÷ 59 = 0.475 ✓
P(遅刻 | 雨) ④'28/59 × 59/300 ÷ 99/30028/99 ≒ 0.28328 ÷ 99 = 0.283 ✓

小数で 0.475 × 0.197 ÷ 0.33 と計算すると 0.284 になり、0.283 と少しずれる。四捨五入した値を使ったためで、分数のまま(またはRで丸めずに)計算すれば一致する。

ベイズの定理の4つの部品と約分
図6 ベイズの定理の4つの部品。分数のまま計算すると、「雨で遅刻28日 ÷ 遅刻59日」だけが残る。
部分名前意味値
P(雨)事前確率遅刻のことを知る前の、雨の確率99/300 = 0.33
P(遅刻 | 雨)尤度(ゆうど)雨なら、遅刻がどれくらい起こりやすいか28/99 ≒ 0.283
P(遅刻)証拠の確率雨か晴れかに関係なく、遅刻がどれくらい起きるか59/300 ≒ 0.197
P(雨 | 遅刻)事後確率遅刻したと分かった後の、雨の確率28/59 ≒ 0.475

つまりベイズの定理は、「雨で遅刻」のマスの数(28)を、どちらの見方で割るか(雨の99日か、遅刻の59日か)を入れ替える式である。「遅刻した」という証拠で、雨の確率が 0.33 から 0.475 に更新された。これがベイズの考え方の中心である。

やってみよう:表の数を変えて確かめる

4つのマスの日数を自由に変えてみよう。どんな数にしても、道①と道②の掛け算は同じ値になり、ベイズの定理は数えた値と一致する。

遅刻しない遅刻した
晴れ
雨

考えてみよう:遠くに落ちている、ゆがんだコイン

ここまでの確率は「300日のうち何日か」と数えた割合だった。では、次の問いはどうだろう。先を読む前に、自分の答えを決めてほしい。

問い 遠くに、あきらかにゆがんだコインが落ちている。遠いので、どちらが上かは見えない。「いま表が上になっている確率」はいくつだと思うか。
[A] 0.5。どちらに偏っているのか分からない以上、表と裏を同じだけ信じるのが合理的だ。
[B] 確率で表すのはおかしい。表か裏かはもう決まっている(確率は1か0)。ただ、それが分からないだけだ。
遠くのゆがんだコインと、2つの答え
図7 遠くのゆがんだコイン。[A]と[B]のどちらに賛成するか。
解説を見る(自分の答えを決めてから)

[A]は確率を「自分がどれだけ信じているか(信念の度合い)」とみる立場で、ベイズ統計に近い。[B]は確率を「くり返したときの割合」とみる立場で、頻度論に近い。どちらも筋は通っている。[A]に納得できる人は、ベイズ統計を受け入れやすい。

[A] ベイズ統計に近い[B] 頻度論に近い
確率とは分からないことを、どれだけ信じているか同じことをくり返したときの割合
すでに決まっている1回の結果分からなければ、確率で表してよい確率は1か0(不明なだけ)
このコインの答え0.51か0のどちらか

「ゆがんでいる」のに0.5でよいのか。実は、2つの量を区別すると矛盾しない。

  • このコインを何度も投げたときに表が出る割合:あきらかにゆがんでいるので、0.5ではないだろう。この点は[A]の人も認める。
  • いま表が上である確率:ただし、表と裏のどちらに偏っているかは分からない。手がかりが左右対称なので、ベイズの立場では0.5になる。

遅刻の例も同じ構造である。「ある遅刻した日」に雨だったかどうかは、すでに決まっている。それでも P(雨 | 遅刻)=0.475 と言うのはベイズの読み方である。頻度論なら「遅刻した日のうち47.5%が雨だった」と読む。ベイズの定理は、まだ見えていない原因(雨だったか)への信念を、証拠(遅刻した)で更新する道具として使われる。

注意:ベイズでも「分からなければいつも0.5」ではない。0.5と置くのは手がかりが左右対称なときだけである。「このゆがみ方なら表が上になりやすい」と知っていれば、0.5ではない値を使う。

トリビア:トーマス・ベイズは、生前この定理を発表していない
トーマス・ベイズとベイズの考え方の歴史
図8 トーマス・ベイズと、ベイズの考え方の歴史
  • ベイズ(1701年ごろ〜1761年)は、イギリスの牧師であり数学者だった。この定理のもとになった論文は、亡くなった後に友人のリチャード・プライスが見つけ、1763年に王立協会で発表された。
  • ベイズの肖像画として広く使われている絵は、1936年の本に載ったもので、本人を描いたものかどうか疑わしいとされている。
  • 今の「ベイズ的な確率の考え方」を広めたのは、むしろフランスのラプラスである。ベイズ本人がこの考え方をどこまで支持していたかは分かっていない。
  • 2018年、ベイズが学んだエディンバラ大学に「ベイズ・センター」が作られた。ロンドンのビジネススクールも、2021年にベイズの名前を校名にすると発表した。
ステップ3直感とずれる例:病気の検査

ある病気の人は1%(有病率)。検査は、病気の人の90%を陽性にし(感度)、健康な人の5%も誤って陽性にする(偽陽性率)。陽性と出た人が本当に病気である確率は?

1万人での検査結果の樹形図
図9 1万人が検査を受けた場合。陽性585人のうち、本当に病気なのは90人だけ。

答えは約15%である。「90%当たる検査」でも、もともと病気の人が少ないと、陽性の大半は健康な人になる。確率(%)ではなく「人数」で考えると、この理由が見えやすい。スライダーで条件を変えて、1000人の点の色がどう変わるか確かめよう。

有病率:
感度(病気の人が陽性になる割合):
偽陽性率(健康な人が陽性になる割合):
試してみよう見るところ
有病率を 1% → 20% にする赤い点(本当に病気で陽性)が増え、陽性の中で赤の割合が大きくなる
偽陽性率を 5% → 1% にするだいだいの点(健康なのに陽性)が減り、陽性の信頼度が上がる
感度を 90% → 100% にする赤は少し増えるが、だいだいが多いままなので、的中率はあまり上がらない
検査の結果を読むときは、検査の性能(感度・偽陽性率)だけでなく、受けた集団でもともとどれくらいの人が病気か(事前確率)が欠かせない。
ステップ4コラム:モンティ・ホール問題 扉を変えるべきか

確率の直感がずれる、もう一つの有名な例である。アメリカのテレビ番組の司会者の名前から、こう呼ばれる。

モンティ・ホール問題
図10 3つの扉のうち1つの後ろに車、残り2つにはヤギ。

多くの人は「残り2つなので、変えても変えなくても1/2」と考える。ところが正解は「変えると2/3で当たる」である。まず自分で遊んでみよう。

3通りの場合分け
図11 車の場所で3通りに分けると、「変えると勝ち」は3通りのうち2通り

ベイズの考え方で言うと:最初に扉1を選んだとき、扉1が当たりの確率(事前確率)は1/3である。司会者は車の場所を知っていて、必ずヤギの扉を開ける。だから「司会者がヤギの扉を開けた」という証拠は、扉1が当たりかどうかについて何の情報も加えない。扉1の確率は1/3のまま、残りの2/3が、開かなかったもう1つの扉に集まる。

トリビア:博士たちも間違えた
  • 1990年、アメリカの雑誌のコラムで、マリリン・ボス・サヴァントが「変えるべき」と答えたところ、約1万通の投書が届いた。そのうち約1000通は博士号を持つ人からで、多くが「答えは間違っている」と主張した(正しかったのはサヴァントである)。
  • 天才数学者として知られるポール・エルデシュも、コンピュータでのシミュレーションを見せられるまで納得しなかったと伝えられている。
  • ハトにこの問題をくり返し体験させた研究では、ハトはすぐに「必ず変える」ことを覚えた。人間よりハトのほうが素直に学んだのである。
ステップ5ベイジアンネットワークとは

変数がたくさんあると、ベイズの定理の計算は複雑になる。そこで、変数どうしの影響関係を矢印の図で表し、矢印ごとに確率表を持たせたものがベイジアンネットワークである。

雨・散水・芝生のベイジアンネットワークと確率表
図12 庭のベイジアンネットワーク。芝生が濡れる原因は「雨」と「散水(スプリンクラー)」。雨の日は散水をほとんどしない。
用語意味図12では
ノード変数(取りうる値は有限個)雨、散水、芝生
矢印(有向辺)直接の影響(原因 → 結果)雨 → 芝生 など3本
親・子矢印の出発点が親、到着点が子芝生の親は 雨 と 散水
条件付き確率表親の値の組み合わせごとの、子の確率右側の3つの表
DAG(非巡回有向グラフ)矢印をたどって元に戻る輪がない図雨→散水→芝生 で輪はない

確率表の読み方

表1行の読み方(例)
雨の確率表(親なし)雨が降る確率は0.2、降らない確率は0.8。合計は1
散水の確率表(親は雨)「雨が降らない」行:散水する0.4、しない0.6。行ごとに合計が1になる
芝生の確率表(親は散水と雨)「散水しない・雨が降らない」行:濡れる0、乾く1(水がかからなければ必ず乾いている)
確率表は「親の値ごとの小さな表」の集まりである。親が分かっていれば、子の確率はその行を見るだけで分かる。
ステップ6なぜ便利か:必要な確率の数が減る

すべての変数の組み合わせの確率を表にすると、変数が増えるたびに表が倍々に大きくなる。ベイジアンネットワークは「親だけを見ればよい」ので、必要な確率の数が少なくて済む。

必要な確率の数の比較
図13 変数が増えたときの、必要な確率の数(対数目盛)
2値の変数の数全組み合わせの表に必要な確率の数ベイジアンネットワーク(親が2つまでの場合)
3(雨・散水・芝生)71+2+4 = 7
4(例題2の遅刻)151+1+2+4 = 8
101,023最大 40
201,048,575最大 80

2値の変数が n 個あると、全組み合わせは 2n 通りある(合計が1になるので、必要な確率はそれより1つ少ない)。親が2つまでなら、1つの変数に必要な確率は最大4つ(親の組み合わせ4通り×1)なので、n 個で最大 4n で済む。

ステップ7矢印の3つのつながり方

ベイジアンネットワークの矢印は、どんなに複雑でも、3つの基本の形の組み合わせでできている。それぞれ「真ん中の変数が分かったとき、両端の関係がどうなるか」が違う。

連鎖・分岐・合流
図14 連鎖・分岐・合流
形例真ん中が分からないとき真ん中が分かったとき
① 連鎖
A → B → C
雨 → 電車遅延 → 遅刻雨と遅刻に関係がある電車の状態が分かれば、雨はもう遅刻の予測に役立たない(関係が切れる)
② 分岐
A ← B → C
アイスの売上 ← 気温 → 水の事故アイスと事故に関係があるように見える(見かけの関係)気温をそろえると、関係は消える
③ 合流
A → B ← C
寝坊 → 遅刻 ← 電車遅延寝坊と遅延は無関係遅刻が分かると、両者に関係が生まれる(片方が分かると、もう片方の確率が下がる)

②の「見かけの関係」をRで確かめる。アイスと事故の間には直接の関係がないデータを作る。

読み取り方:全体では、アイスが売れた日の事故の割合(0.22)は、売れない日(0.10)の2倍以上ある。しかし気温をそろえると、差はほぼなくなる(差が残るのは偶然のばらつき)。「アイスを売るのをやめれば事故が減る」とは言えない。相関があっても因果とは限らないことの代表例である。

③の合流で起きる現象が、ステップ10の「説明による打ち消し」である。例題4(急に大金持ちになった友達)では、この現象が極端な形で現れる。
ステップ8Rでベイジアンネットワークを作る

gRain パッケージの cptable() で確率表を1つずつ作り、grain() で組み合わせる。values の並べ方が分かりにくいので、先に図で確かめよう。

cptableのvaluesの並び方
図15 cptable の values は、親の値ごとのまとまりで並べる

読み取り方:何も分かっていないとき、散水する確率は 0.322、芝生が濡れている確率は 0.448 である。これは確率表から自動で計算された。

ステップ9推論:予測と診断

分かったこと(証拠)をネットワークに入れると、ほかの変数の確率が更新される。これを推論という。

予測と診断
図16 予測(矢印の向き)と診断(矢印と逆向き)

やってみよう:庭のネットワークに証拠を入れる

下のボタンで、分かったことを選ぶ。ほかの変数の確率が、何も分かっていないときからどれだけ変わるか(▲▼)を見よう。計算は、Rの querygrain() と同じ考え方(ありうる8通りの組み合わせの確率を足し合わせる)で行っている。

場面:
推論向き例(上で確かめよう)
予測原因 → 結果(矢印の向き)雨が降った → 芝生が濡れている確率は 0.448 から 0.802 に上がる
診断結果 → 原因(矢印と逆向き)芝生が濡れている → 雨の確率は 0.2 から 0.358 に、散水の確率は 0.322 から 0.647 に上がる
診断(逆の証拠)結果 → 原因芝生が乾いている → 雨の確率は 0.072、散水の確率は 0.058 まで下がる

読み取り方:芝生が濡れていると分かると、雨の確率は 0.2 → 0.358、散水の確率は 0.322 → 0.647 に上がる。

証拠は setEvidence(ネット, nodes = "変数名", states = "値") で入れる。ベイジアンネットワークは、矢印の向きにも逆向きにも確率を計算できる。
ステップ10説明による打ち消し

芝生が濡れている。さらに「散水していた」と分かったら、雨の確率はどうなるか。ステップ9の教材の「打ち消し」ボタンでも確かめられる。

雨の確率の変化
図17 分かったことによる「雨が降った」確率の変化(Rで計算した値)

芝生が濡れた理由が散水で説明できるので、雨の確率は 0.007 まで下がる。2つの原因が1つの結果を共有するとき(ステップ7の③合流)、片方の原因が分かるともう片方の確率が下がる。これを説明による打ち消し(explaining away)という。

遅刻の理由を推理する
図18 探偵のように推理する(例題2の遅刻データで計算した値)

人間も、ふだんから同じ推理をしている。友だちが遅刻してきたら「寝坊したのかな」と疑う。でも「電車が止まっていたよ」と聞けば、寝坊の疑いは薄れる。ベイジアンネットワークは、この人間らしい推理を確率の計算で再現できる。

ステップ11データから学ぶ:確率表と形
学ぶもの方法このページでは
確率表(パラメータ)親の値の組み合わせごとに、子の値の回数を数えて割合にするネットワークを作る(データ, 親)
形(構造)いくつかの形の候補を、当てはまりの良さで比べるBIC値(データ, 親)

BIC:当てはまりと、複雑さの罰のつり合い

BIC(ベイズ情報量規準)= データへの当てはまりの良さ − 形の複雑さの罰。矢印を増やすと当てはまりは必ず良くなるが、確率表が増える分だけ罰も大きくなる。BICが大きい(0に近い)形ほどよい。

BICの当てはまりと罰
図19 BICの内訳。Dは矢印を1本増やして当てはまりがわずかに良くなったが、罰がそれ以上に増えた。
たとえBICでは
テストの答案で、説明を長くすれば部分点は増えるかもしれないが、読みにくくなる矢印(確率表)を増やすと当てはまりは良くなるが、複雑になる
「短く、しかも正確」な答案がいちばん良い少ない確率表で、データをよく説明できる形のBICが高い
3つの形の候補とBIC
図20 例題2の遅刻データでの3つの形の比較(Rで計算した値)
BICが比べられるのは「どの変数どうしがつながるか」である。矢印の向き(どちらが原因か)は、データだけでは決まらないことが多い。向きは、時間の順序や常識から人が決める。

BICは、統計学者のギデオン・シュワルツが1978年に提案した。「シュワルツ情報量規準(SIC)」とも呼ばれる。

ステップ12ナイーブベイズ:分類に使う特別な形
ナイーブベイズの形
図21 ナイーブベイズ。予測したい変数(生死)から、ほかのすべての変数に矢印を引く。

予測したい変数を親にして、ほかの変数をすべてその子にした形をナイーブベイズという。「生死が決まれば、等級・性別・年齢層は互いに関係しない」という単純な(ナイーブな)仮定を置く。仮定は現実には成り立たないことが多いが、計算が速く、よく当たる。例題3で、タイタニックの生死の予測に使う。

迷惑メールの判定
図22 ナイーブベイズの代表的な使いみち:迷惑メールの判定(数字は説明用の例)
トリビア:迷惑メールフィルタとベイズ

2002年、プログラマーのポール・グレアムが「A Plan for Spam(迷惑メールへの対策)」という文章を公開し、単語ごとに「迷惑メールらしさ」の確率を学習して組み合わせる方法を紹介した。これをきっかけに「ベイジアンフィルタ」が広く使われるようになった。迷惑メールを「迷惑メール」フォルダに移すたびに、フィルタはその単語の確率を学び直している。

ステップ13世の中で使われているベイズ
ベイズ探索の模式図
図23 ベイズ探索の考え方(模式図)
場面ベイズの使い方
行方不明の飛行機を探す2009年に大西洋に墜落したエールフランス447便は、2年近く見つからなかった。最後の位置などから「ありそうな場所」の確率の地図を作り、探しても見つからなかった場所の確率を下げて更新した(ベイズ探索)。2011年、この地図にもとづく捜索で、残骸は1週間以内に見つかった。アメリカの沿岸警備隊の海難救助にも、同じ考え方の仕組みが使われている。
迷惑メールの判定単語ごとの確率から、迷惑メールかどうかを判定する(ステップ12)
医療の検査事前確率(有病率)と検査の性能から、陽性のときに本当に病気である確率を計算する(ステップ3)
故障の診断「この症状が出たとき、どの部品が原因か」を、ベイジアンネットワークで診断する
トリビア:「ベイジアンネットワーク」の名付け親

「ベイジアンネットワーク」という名前は、計算機科学者のジューディア・パールが1985年に付けた。パールは、不確かな情報から推論する方法や、原因と結果の関係を計算で扱う方法を作った業績で、2011年に「コンピュータ科学のノーベル賞」とも呼ばれるチューリング賞を受けた。

ステップ14まとめ
やりたいこと使うものRの関数
確率表を手で作る条件付き確率表cptable()
データから確率表を学ぶ回数を数えて割合にするネットワークを作る()
ネットワークを組み立てる確率表の組み合わせgrain(compileCPT())
証拠を入れる分かったことsetEvidence(nodes = , states = )
確率を求める推論(予測・診断)querygrain()
形を比べるBICBIC値()
分類するナイーブベイズnaiveBayes()(e1071)

ネットワークを作る()、確率表を見る()、BIC値() は、このページに用意した関数である(中身は gRain の cptable と、度数の集計でできている)。

Ⅱ 例題データ

名前内容使う場所
遅刻記録ある学生の300日分の記録(天気:晴れ/雨、寝坊:しない/した、電車:平常/遅延、遅刻:しない/した)。授業用に作った架空のデータⅠ、例題2
タイタニックタイタニック号の乗客714人(生死・船室等級・性別・年齢)。第4回と同じデータ例題3

プログラムの中でこれらのデータを書き換えてしまったときは、ページを再読み込みすると元に戻る。

Ⅲ 例題1:検査で陽性。本当に病気の確率は?

ステップ1-1ベイズの定理を関数にする
ステップ1-2有病率を変えてみる

読み取り方:同じ検査でも、有病率0.1%では陽性的中率は約2%、有病率50%では約95%になる。検査の結果は「どんな集団で受けたか(事前確率)」とセットで解釈する必要がある。

ステップ1-32回続けて陽性なら(ベイズ更新)

読み取り方:1回目の事後確率(0.154)を、2回目の事前確率として使う。2回続けて陽性なら0.766、3回なら0.983になる。証拠が増えるたびに確率を更新していくのがベイズ更新である。

ベイズ更新
図E1 陽性が続くたびに、病気である確率の見積もりが更新される

ここでは、2回の検査の誤りが互いに無関係(独立)だと仮定している。同じ検査を同じ日にくり返す場合は、この仮定が成り立たないことがある。

Ⅲ 例題2:遅刻の原因を推理する

300日分の記録から、遅刻のベイジアンネットワークを作り、「遅刻した日、原因は寝坊か電車か」を推理する。

ステップ2-1データを確かめる

見るところ:寝坊した日は71%、電車が遅延した日は54%遅刻している。雨の日は電車の遅延が46%に増える。

ステップ2-2ネットワークの形を決める

常識から、「天気が電車に影響し、電車と寝坊が遅刻に影響する」と考える。天気は寝坊には影響しないとする。

ステップ2-3データから確率表を学ぶ

読み取り方:遅刻の確率表は、寝坊と電車の組み合わせ(4通り)ごとに遅刻の確率を表す。寝坊せず電車も平常なら0.022、寝坊して電車も遅延なら0.938である。

0回の組み合わせがあっても計算できるよう、関数の中で各回数に0.5を足しているため、ステップ2-1の割合とわずかに違う。

ステップ2-4予測と診断
推論分かったこと結果
予測雨の日遅刻する確率 0.197 → 0.301
診断遅刻した寝坊だった確率 0.115 → 0.406、電車が遅延していた確率 0.235 → 0.647
ステップ2-5説明による打ち消しを確かめる

読み取り方:遅刻しただけなら寝坊の確率は0.406だが、電車の遅延も分かると0.198に下がる。遅刻の理由が電車で説明できるからである(Ⅰのステップ10と同じ現象)。

ステップ2-6形をBICで比べる

読み取り方:候補A(天気 → 電車 → 遅刻 ← 寝坊)のBICが最も大きい。候補B(3つとも遅刻に直接つなぐ)は確率表が大きくなる分、罰が大きい。候補C(矢印なし)はデータに合わない。

やってみよう:候補D <- list(天気 = c(), 寝坊 = "天気", 電車 = "天気", 遅刻 = c("電車", "寝坊")) を追加して、天気 → 寝坊 の矢印が必要かを調べよう。

ステップ2-7BICを「当てはまり」と「罰」に分けて見る

ステップ2-6のBICを、当てはまり(対数尤度)と罰に分けて比べる。候補Dは、候補Aに「天気 → 遅刻」の矢印を足した形である。

読み取り方:候補Dは矢印を1本足したので、当てはまりは −519.3 → −517.9 とわずかに良くなった。しかし確率の数が8 → 12に増え、罰は 22.8 → 34.2 と大きく増えた。そのためBICは候補Aより低い。「天気は電車を通して遅刻に影響する。直接の矢印はいらない」というデータ作成のしくみ(Ⅱ参照)と合っている。

BICの内訳
図E2 4つの候補の当てはまりと罰(Ⅰのステップ11と同じ図)

Ⅲ 例題3:タイタニック号の生死をナイーブベイズで予測する

第4回で決定木を使ったタイタニックのデータを、ナイーブベイズ(Ⅰのステップ12)で予測し、決定木と比べる。

ステップ3-1データをカテゴリに整える

ベイジアンネットワークでは、変数をカテゴリにして扱う。年齢を「子ども(12歳以下)」と「大人」に分ける。

ステップ3-2ナイーブベイズで学習・予測する

読み取り方:$tables$性別 は「生死ごとの性別の割合」、つまり 生死 → 性別 の確率表である。亡くなった人の85%が男性、生き残った人の68%が女性だった。

手法正解率(全員のデータで測定)特徴
決定木(第4回 例題1、深さ2)0.803条件の組み合わせ(女性で3等、など)を表せる
ナイーブベイズ0.784各変数の影響を独立に足し合わせる。組み合わせの効果は表せない
ステップ3-3架空の乗客の生存確率

考えてみよう:第4回の決定木では「3等の女性」の生存確率は0.461だった。ナイーブベイズでは0.567である。値が違うのはなぜだろうか(ヒント:ナイーブベイズは「女性であること」と「3等であること」の影響を別々に掛け合わせる)。

Ⅲ 例題4:友達が急に大金持ちに。宝くじに当たった確率は?

ある世界の話である。この世界では、1ヵ月で急に大金持ちになる方法は次の2つしかない。

方法1ヵ月のあいだに起こる確率小数で書くと
[1]宝くじに当たる1000万分の10.0000001
[2]遺産を相続する100万分の10.000001

あなたの友達が、この1ヵ月で急に大金持ちになった。友達が宝くじに当たった確率は、何も知らなかったとき(事前確率)と比べて、どれくらい上がるだろうか。

この例題で置く前提意味
方法は2つだけ宝くじか相続のどちらか(または両方)がなければ、大金持ちにはならない
2つは無関係(独立)宝くじに当たったかどうかは、相続が起きるかどうかに影響しない
友達はふつうの1人友達が宝くじに当たる確率も、ほかの人と同じ1000万分の1から始める
予想してみよう:「大金持ちになった」と分かった後、宝くじに当たった確率は、事前確率(1000万分の1)の何倍になるか。
(ア)2倍くらい (イ)100倍くらい (ウ)1万倍くらい (エ)90万倍くらい
答えを見る

(エ)である。事前確率 0.0000001 が、約 0.091(11人に1人) になる。約91万倍である。以下のステップで、理由を確かめていく。

ステップ4-11億人で数える

確率のままでは小さすぎて考えにくい。ステップ3(病気の検査)と同じように、人数で考える。1億人がこの1ヵ月を過ごしたとする。

1億人のうち、大金持ちになるのは110人
図E3 1億人のうち、大金持ちになるのは約110人。そのうち宝くじの人は約10人。
グループ計算人数(1億人あたり)
宝くじに当たる1億 × 1000万分の110人
遺産を相続する1億 × 100万分の1100人
両方とも起きる1億 × 1000万分の1 × 100万分の10.00001人(ほぼ0)
大金持ちになった(合計)10 + 100約110人

「友達は大金持ちになった」と分かった時点で、友達はこの110人のうちの1人である。110人のうち宝くじの人は10人なので、

P(宝くじ | 大金持ち) = 10 ÷ 110 = 約0.091(11人に1人)

読み取り方:事前確率 0.0000001 が、事後確率 0.0909 になった。909,091倍である。

ステップ4-2なぜ、こんなに劇的に上がるのか

理由1:「大金持ちになった」は、目のとても細かい「ふるい」である

人の種類「大金持ちになった」というふるいを通る割合
宝くじに当たった人全員(確率1)
宝くじに当たっていない人相続した人だけ(100万分の1)

宝くじの人は1人も落とされず、それ以外の人は100万人に99万9999人が落とされる。だから、ふるいを通った人の中では、宝くじの人の割合が一気に大きくなる。

理由2:ベイズの定理で確かめる

P(宝くじ | 大金持ち) = P(大金持ち | 宝くじ) × P(宝くじ) ÷ P(大金持ち)
= 1 × 0.0000001 ÷ 0.0000011 = 1/11 ≒ 0.091
部分名前値意味
P(宝くじ)事前確率0.0000001何も知らないときの、宝くじに当たる確率
P(大金持ち | 宝くじ)尤度1宝くじに当たれば、必ず大金持ちになる
P(大金持ち)証拠の確率約0.0000011だれかが大金持ちになる確率(宝くじ+相続)
P(宝くじ | 大金持ち)事後確率約0.091大金持ちと分かった後の、宝くじの確率

ポイントは分母である。P(大金持ち) 自体がとても小さい(0.0000011)。めったに起きないことが起きたので、それを説明できる数少ない原因の確率が大きく持ち上がる。

理由3:ライバルとの「比」で決まる

大金持ちになった110人の内訳は、宝くじ10人:相続100人=1:10である。事後確率は、宝くじが「世の中全体で」どれだけ珍しいか(1000万分の1)ではなく、もう一つの説明(相続)と比べてどれだけ珍しいか(10分の1)で決まる。だから答えは 1/(1+10)=1/11 になる。

オッズで見ると(オッズ=起こる確率 ÷ 起こらない確率)
事後オッズ = 事前オッズ × 証拠の強さ(尤度比)
・事前オッズ:宝くじに当たる:当たらない ≒ 1:1000万
・証拠の強さ:P(大金持ち | 宝くじ) ÷ P(大金持ち | 宝くじでない) = 1 ÷ 100万分の1 = 100万
・事後オッズ:1/1000万 × 100万 = 1/10 → 確率に直すと 1/(1+10) = 1/11
「大金持ちになった」という証拠は、宝くじの可能性を100万倍押し上げる強さを持っている。確率で見ると約91万倍になる(オッズ1/10を確率に直すと 1/11 になるため、100万倍より少し小さい)。

下のプログラムは、ステップ4-1で作った P宝くじ・P相続 を使う。先にステップ4-1を実行しておく。

ステップ3(病気の検査)との比較

病気の検査(ステップ3)大金持ちの友達(この例題)
事前確率0.01(100人に1人)0.0000001(1000万人に1人)
原因がなくても証拠が出る確率健康でも陽性:5%宝くじなしで大金持ち:0.0001%(100万分の1)
証拠の強さ(尤度比)0.9 ÷ 0.05 = 181 ÷ 0.000001 = 1,000,000
事後確率約0.154(約15倍)約0.091(約91万倍)

検査では「健康なのに陽性」が5%もいるので、陽性という証拠は弱い(18倍)。大金持ちの例では「宝くじなしで大金持ち」がほとんどいないので、証拠がとても強い。事後確率を決めるのは、事前確率と証拠の強さの両方である。

ステップ4-3ベイジアンネットワークで計算し、説明による打ち消しも見る

宝くじと相続は、どちらも「大金持ち」の原因である。これはステップ7の③合流(2つの原因 → 1つの結果)の形である。

宝くじ→大金持ち←相続のネットワークと確率表
図E4 大金持ちのベイジアンネットワーク。確率表は0と1だけでできている。
分かったことによる宝くじの確率の変化
図E5 分かったことによる「宝くじに当たった」確率の変化(Rで計算した値)
分かったこと宝くじに当たった確率読み取り方
何も知らない0.0000001事前確率そのまま
大金持ちになった0.0909診断(結果 → 原因)。約91万倍に上がる
大金持ち+遺産を相続していた0.0000001大金持ちの理由が相続で説明できるので、元の値に戻る(説明による打ち消し)
大金持ち+遺産は相続していない1残る説明は宝くじだけ。確実に当たっている
2つの原因が1つの結果を共有するとき(③合流)、結果が分かると原因の確率が上がり、さらに片方の原因が分かると、もう片方の確率は下がる。ステップ10の芝生(雨と散水)や、例題2の遅刻(寝坊と電車)と同じしくみである。この例題では確率表が0と1だけなので、その動きが極端な形で現れる。
ステップ4-4シミュレーションで確かめる

1億人の世界を1000回つくり、そのたびに「大金持ちのうち宝くじの人の割合」を数える。当選者数と相続者数は毎回偶然でばらつくので、割合もばらつく。

読み取り方:当選者は平均約10人、相続者は平均約100人で、割合の平均は約0.091(赤い線の1/11)になる。計算とシミュレーションが一致する。

rbinom() は「1億人それぞれが確率 prob で当たるとき、何人当たるか」を1回で作る関数である。1億人分の乱数を1つずつ作らなくてよいので、ブラウザ上でもすぐに終わる。

ステップ4-5ライバルの確率を変えてみる

理由3(ライバルとの比)を確かめる。スライダーで、宝くじと相続の確率を変えてみよう。

宝くじに当たる確率:
遺産を相続する確率:
試してみよう見るところ
相続を 1億分の1 にするライバルの方が珍しくなる(宝くじ10人:相続1人)。宝くじの確率は約0.91
相続を 1万分の1 にするライバルがありふれる(宝くじ10人:相続1万人)。宝くじの確率は約0.001まで下がる
宝くじと相続を同じ確率にするどちらの値にしても、宝くじの確率は約0.5になる。比が同じなら答えも同じ

読み取り方:相続の確率が100万分の1なら約0.091、1000万分の1(宝くじと同じ)なら0.5、1億分の1なら約0.909である。どの場合も事前確率から何千倍〜何百万倍にも上がるが、最終的な値はライバルとの比で決まる。

ステップ4-6まとめと考えてみよう
分かったことこの例題では
まれな証拠は、強い証拠になりうる「大金持ちになった」は1億人中110人にしか起きない。その結果、宝くじの確率は約91万倍になった
事後確率はライバルとの比で決まる宝くじ10人:相続100人 → 1/11
説明による打ち消し相続が分かると、宝くじの確率は元の1000万分の1に戻る

考えてみよう

  1. 現実の世界には、起業や投資の成功など、急に大金持ちになる方法がほかにもある。そうした方法を確率表に加えると、友達が宝くじに当たった確率は上がるか、下がるか。理由も述べよ。
  2. 友達が「宝くじは1枚も買っていない」と言った。宝くじに当たった確率と、遺産を相続した確率はそれぞれいくつになるか。
  3. 「大金持ちになった友達は、宝くじに当たった可能性が十分ある(約9%)」と「宝くじはよく当たる」は同じ意味か。P(宝くじ) と P(宝くじ | 大金持ち) の違い(ステップ1の「見るマスを絞る」)を使って説明せよ。

Ⅲ 例題5:オオカミ少年は、なぜ信じてもらえなくなったのか

イソップ物語の「オオカミ少年」を、ベイズの考え方で計算してみる。羊の番をしている少年が「オオカミが来たぞ!」と叫ぶ。村人はかけつけるが、オオカミはいない。少年のうそだった。これが何度もくり返され、最後に本当にオオカミが来たとき、だれも来てくれなかった。

この例題での設定値
オオカミが来る確率1日あたり 100日に1回(0.01)。めったに来ない
オオカミが来た日少年は必ず叫ぶ
オオカミがいない日少年のタイプによって、ある確率でいたずらで叫ぶ(下の表)
村人の知っていること少年がどのタイプかは分からない。叫ぶたびに、それが本当だったか、うそだったかは分かる

知りたいこと:少年が「オオカミだ!」と叫んだとき、村人が「本当にオオカミが来ている」と考える確率(このページでは信用と呼ぶ)は、1回目、2回目、…、10回目とうそがばれるたびに、どう変わるか。

ステップ5-1オオカミは珍しいのに、1回目の叫びはなぜ信じられるのか

少年が叫んだ理由は「オオカミが来た」か「いたずら」のどちらかである。これは例題4の「宝くじ → 大金持ち ← 相続」と同じ③合流の形である。

オオカミ→叫ぶ←いたずら と、タイプごとの本当である確率
図E6 1回の叫びを読み解く。答えは、オオカミといたずらの「比」で決まる。

少年が正直者(いたずらは1000日に1回)なら、1000日のうち、オオカミで叫ぶ日は約10日、いたずらで叫ぶ日は約1日である。叫んだ日のうち本当の日は 10÷11=約0.91。オオカミは100日に1回しか来ないのに、正直者の叫びはかなり信用できる。例題4の「ライバルとの比」と同じ理由である。

一方、大うそつき(2日に1回いたずら)なら、1000日のうちオオカミ約10日、いたずら約500日で、本当は 10÷510=約0.02 しかない。同じ「オオカミだ!」でも、だれが言ったかで重みがまったく違う。

読み取り方:村人は、少年が90%の確率で正直者だと思っている。タイプごとの「叫んだら本当」の確率を、この見方で重みをつけて平均すると、1回目の信用は 0.856 になる。

ステップ5-2うそがばれたら、見方をベイズの定理で直す

1回目はうそだった。村人は「この少年はどのタイプか」を見直す。ベイズの定理では、事前確率 × 尤度(そのタイプなら、叫びがうそになる確率)を計算し、合計が1になるように割る。

タイプ事前確率尤度:叫んだらうそ掛け算事後確率(合計で割る)
正直者0.900.0900.08110.564
うっかり者0.070.4970.03480.242
いたずら好き0.020.9080.01820.126
大うそつき0.010.9800.00980.068
合計1.000.14391.000

正直者の確率は 0.90 → 0.564 に下がった。正直者は「うそになる確率」が小さい(0.090)ので、うそが1回ばれただけで疑いが大きく増える。この新しい見方で次の叫びの信用を計算すると、0.564×0.910 + 0.242×0.503 + 0.126×0.092 + 0.068×0.020 = 0.647 である。

前の計算の事後確率が、次の計算の事前確率になる(例題1のステップ1-3のベイズ更新と同じ)。これを10回くり返す。
ステップ5-310回くり返すシミュレーション
叫ぶたびに下がる信用
図E7 叫ぶたびに、村人が「本当だ」と思う確率(Rで計算した値)
村人の見方の変化
図E8 村人の見方(少年はどのタイプか)の変化
叫んだ回1234567891011
本当だと思う確率0.8560.6470.3360.1930.1340.1010.0820.0710.0640.0590.056

読み取り方:

  • はじめの2〜3回で大きく下がる。村人の見方が「正直者」から「うっかり者・いたずら好き」へ大きく移る時期である(図E8の緑が急に減る)。
  • その後はゆっくり下がり続ける。正直者の可能性はほぼ0になり、残りは「いたずら好きか、大うそつきか」の見直しになる。
  • 11回目に本当にオオカミが来たとき、村人が本当だと思う確率は約0.056(18人に1人)しかない。村人がかけつけなかったのは、ベイズ的には「合理的な判断」だったことになる。悪いのは村人ではなく、信用を使い果たした少年である。

このモデルは簡単にしてある。村人は「叫んだときに、それが本当だったか、うそだったか」だけから少年のタイプを見直し、少年が叫ばなかった日のことは考えない。また、少年のタイプは途中で変わらないとしている。

ステップ5-4自分で少年を動かしてみる

ボタンを押して、少年の叫びが「うそだった」か「本当だった」かを選ぶ。村人の見方と、次に叫んだときの信用がどう変わるかを見よう。

試してみよう見るところ
「うそ」を10回続ける信用が 0.856 → 0.059 まで下がる(図E7と同じ)
「うそ」を3回のあと「本当」を1回信用は少し戻るが、はじめの 0.856 にはなかなか戻らない
「本当」を3回続けてから「うそ」を1回信用の貯金があると、1回のうそでは大きく下がらない
ステップ5-5村人のはじめの見方を変える

村によって、はじめの見方(事前確率)が違うとする。信じやすい村、ふつうの村、疑い深い村で、信用の下がり方を比べる。

読み取り方:信じやすい村では、2回目でも 0.870 と信用が残る(はじめの信頼が「貯金」になる)。しかし4回目には 0.310 まで下がり、7回目以降は3つの村がほぼ同じ値(約0.06〜0.08)になる。証拠が積み重なると、はじめの見方の違いは小さくなる。これもベイズ推定の大事な性質である。

ステップ5-6まとめと考えてみよう
分かったことこの例題では
まれな出来事の知らせでも、話し手が信頼できれば信じてよいオオカミは100日に1回でも、正直者の叫びは約0.91で本当
うそがばれるたびに、ベイズ更新で信用が下がる0.856 → 0.647 → 0.336 → … → 0.059
はじめの見方の違いは、証拠が増えると小さくなる信じやすい村も疑い深い村も、最後はほぼ同じ値

考えてみよう

  1. 11回目、信用は約0.056だった。オオカミに羊を食べられる損害がとても大きい場合、村人は「信用が低くても、念のためかけつける」べきだろうか。確率だけでなく、損害の大きさも考えて意見を述べよ。
  2. オオカミが来る確率が「10日に1回」の村だったら、1回目の信用は上がるか、下がるか。R の「オオカミの確率」を 0.1 に変えて確かめよ。
  3. 身の回りで「一度失った信用は戻りにくい」例を挙げ、この例題の計算(ステップ5-4の「本当」ボタン)と比べてみよ。

Ⅲ 例題6:その当選通知は信用できるか(『統計学の絵本』より)

この例題と例題7は、竹内俊彦『統計学の絵本』(オーム社, 2021)第3章「ベイズ国」の内容をもとに作った。本では Weka のベイズネットワークエディターで計算しているが、ここでは R で同じ計算をする。

宝くじが当たる確率は100万分の1である。宝くじを売っている会社は2つある。どちらの会社も、当たった人に「当選通知」を送る。

会社当たったとき外れたとき
X社(ていねい)99%の確率で通知を送る(1%は出し忘れる)通知を送ることはない
Y社(トラブルメーカー)必ず通知を送る1%の確率で、まちがえて通知を送ってしまう

問い:それぞれの会社から当選通知が届いたとき、本当に当たっている確率はいくらか。

予想してみよう:Y社の「まちがい」はたった1%である。Y社から通知が来たら、当たっている確率は(ア)99%くらい(イ)50%くらい(ウ)1%くらい(エ)0.01%くらい、のどれだろうか。
答えを見る

(エ)である。Y社の通知が本物である確率は、約1万分の1(0.0001)しかない。

ステップ6-11億枚で数える
X社とY社の当選通知の内訳
図E9 1億枚売ったときに届く当選通知の内訳
X社Y社
当たり(100枚)に届く通知99通100通
外れ(9999万9900枚)に届く通知0通約100万通(1%)
届く通知の合計99通約100万100通
通知が来たとき本当に当たっている確率1約0.0001(1万分の1)

Y社の通知はほとんどが「外れなのに来た通知」である。当たりはとても珍しい(100万分の1)ので、1%のまちがいでも、まちがいの通知の数が本物の約1万倍になる。

例題4とのつながり:通知が来た理由は「本当に当たった」か「まちがい」のどちらかである。例題4の「宝くじか相続か」と同じく、答えはライバルの説明(まちがい)との比で決まる。X社はまちがいが0なので、通知が来れば必ず当たり。Y社は、まちがいの方が1万倍も起こりやすい。
ステップ6-2R(gRain)で計算する

本では Weka で「くじ → 当選通知」のネットワークを作り、「当選通知」に「来る」を設定(Set evidence)した。gRain では setEvidence がこれにあたる。

読み取り方:X社から通知が来る確率は 0.00000099(1億分の99)、Y社は約0.01(1億分の1000099)である。通知が来たとき当たっている確率は、X社が1、Y社が約0.0001である。

本の Weka の画面では、表示が小数点以下3〜4けたまでなので、Y社の「当たり」のバーはほとんど見えない。R では小さな値もそのまま表示される。

ステップ6-3まちがいの確率を変えてみる

読み取り方:まちがいの確率が当たりの確率(100万分の1)と同じとき、通知が本物の確率は約0.5になる。まれなことを知らせる通知は、まちがいの確率がそれよりずっと小さくないと信用できない。例題5のオオカミ少年の「正直者」(いたずら1000日に1回が、オオカミ100日に1回より珍しい)と同じ考え方である。

Ⅲ 例題7:笑顔の人は、本当に幸せか(『統計学の絵本』より)

『統計学の絵本』で、妖精が美統(みと)に3つの質問をする場面がある。答えから、ベイズの定理を使って美統の「世界観」を計算する。

質問美統の答え確率で書くと
問1 幸せを感じている人は、笑顔の人の何倍いるか1/5くらいP(幸) ÷ P(笑) = 1/5
問2 人が幸せなとき、笑顔になる確率は50%くらいP(笑 | 幸) = 0.5
問3 笑顔の人は全人口の何%か10%くらいP(笑) = 0.10

問い:美統の考えでは、笑顔の人が本当に幸せである確率 P(幸 | 笑) はいくらか。

ここでの記号:「幸」=幸せを感じている、「笑」=笑顔である。「見えている結果」が笑顔、「見えない原因」が幸せである。

ステップ7-1ベイズの定理に当てはめる
P(幸 | 笑) = P(笑 | 幸) × P(幸) ÷ P(笑) = P(幸) / P(笑) × P(笑 | 幸)

ベイズの定理の掛け算の順序を入れかえると、問1の答え(P(幸)/P(笑))と問2の答え(P(笑|幸))がそのまま入る形になる。

P(幸 | 笑) = 1/5 × 1/2 = 1/10

つまり美統は、「笑顔の人の10人に1人しか本当は幸せではない」と考えていることになる。さらに問3(笑顔は10%)を使うと、幸せな人は 10% × 1/5 = 2% しかいない。

100人で描いた美統の世界観
図E10 美統の世界観を100人で描く。笑顔の10人のうち9人は、幸せでないのに笑っている。
ステップ7-2R で100人の表を作る

読み取り方:「幸せで笑顔」1人、「幸せだが笑顔でない」1人、「幸せでないのに笑顔」9人、「どちらでもない」89人。笑顔の10人のうち幸せなのは1人である。

ステップ7-3自分の答えで世界観を計算する

あなたなら3つの質問にどう答えるだろうか。スライダーで自分の答えを入れてみよう。

問1 幸せな人は笑顔の人の何倍?:
問2 幸せなとき笑顔になる確率:
問3 笑顔の人は全人口の何%?:
試してみよう見るところ
問1を「1倍」、問2を「80%」にする笑顔の人の8割が本当に幸せ、という明るい世界観になる
問1×問2が1を超えるようにする答えどうしが矛盾する(笑顔の人より「幸せで笑顔」の人が多くなる)。3つの答えは自由に選べるわけではない
ベイズの考え方では、事前確率(ここでは「幸せな人はどのくらいいるか」)を主観で決めてよい。そのかわり、自分の思い込みが数字になって見えるので、本の美統のように「私の見方は寂しすぎないか」と見直すきっかけにもなる。

Ⅳ 自分の興味のあるデータで分析する

このページの生成AIに、データとRのプログラムを作らせて実行する。上から順にボタンを押していけばよい。

最初にボタンを押したとき、授業用パスコードを聞かれる。授業で伝えたものを入力する。

ステップ1テーマを決めて、データを作らせる

テーマの例:遅刻の原因/風邪をひく原因と症状/試験に合格する要因/お店の売上が伸びる要因(「原因 → 結果」が考えやすいテーマがよい)

テーマ:  行数:

追加の希望(なくてよい):

(30秒〜1分ほどかかる)
ステップ2分析のプログラムを書かせる
(20〜40秒ほどかかる)
ステップ3プログラムを実行する

ステップ2のプログラムが下の枠に入る。「▶ 実行」を押す。プログラムは自分で書き換えてもよい。

エラーが出たら: (直したプログラムが上の枠に入るので、もう一度「▶ 実行」を押す)

ステップ4結果が妥当かを確かめる
観点確かめ方
矢印の向きは妥当か「原因 → 結果」の向きになっているか。データだけでは向きは決まらない(相関があっても因果とは限らない)
確率表は常識に合うか確率表を見る() の結果で、原因があるときに結果の確率が上がっているか
予測と診断の結果は妥当か結果に証拠を入れたとき、原因の確率がどれくらい上がったか。2つの原因があるとき、片方が分かるともう片方の確率が下がるか(説明による打ち消し)
形の比較考えた形のBICが「矢印なし」より大きいか。小さければ、矢印の引き方を見直す
結果を言い過ぎていないか生成AIのデータは架空である。現実の因果関係として主張しない
(参考)生成AIに送った指示文を見る

データを作る指示

(まだ送っていません)

プログラムを書く指示

(まだ送っていません)

課題

このページの最後にある「課題用:生成AIでベイジアンネットワーク分析」を利用して、自分で決めたテーマのデータ(生成AIを利用して良い)でベイジアンネットワーク分析を行い、その結果を3ページ程度のレポートにして提出せよ。レポートの形式は自由である。

なおファイル名は 学生番号_名前.docx とする。たとえば k24x7777_東女花子.docx である。

(提出方法・期限はWebClassの指示に従うこと)

レポートに入れるとよいもの(例)
  1. テーマと、なぜそのテーマを選んだか
  2. データの説明(どんな列があり、それぞれどんな値をとるか)
  3. ネットワークの図(どの列からどの列へ矢印を引いたか、その理由)
  4. 確率表から読めること(原因があるとき、結果の確率がどれだけ変わるか)
  5. 予測と診断の結果(証拠を入れると確率がどう変わるか)。説明による打ち消しが起きたか
  6. BICによる形の比較
  7. 考察:結果は常識やデータを作ったときの意図に合うか、矢印の向きや因果について言えること・言えないこと、架空データの限界

生成AIの考察は、そのまま写さず、実行結果の数値と見比べて確かめてから、自分の言葉で書き直すこと。AIの考察に誤りや言い過ぎを見つけたら、それもレポートに書いてよい。

課題用:生成AIでベイジアンネットワーク分析(データ作成 → プログラム → 実行 → 考察)

テーマを決めて、上から順に4つのボタンを押していけばよい。結果はレポートの材料として使う。

最初にボタンを押したとき、授業用パスコードを聞かれる。授業で伝えたものを入力する。

[1]データを生成AIに作らせる

テーマの例:遅刻の原因/風邪をひく原因と症状/試験に合格する要因/お店の売上が伸びる要因/部活の試合に勝つ要因(「原因 → 結果」が考えやすいテーマがよい)

テーマ:  行数:

追加の希望(なくてよい):

(30秒〜1分ほどかかる)
[2]分析とグラフのRプログラムを生成AIに書かせる
(20〜40秒ほどかかる)
[3]プログラムを実行して、結果を見る

[2]のプログラムが下の枠に入る。「▶ 実行」を押す。図は右クリック(スマートフォンでは長押し)で保存するか、スクリーンショットを撮ってレポートに貼る。

エラーが出たら: (直したプログラムが上の枠に入るので、もう一度「▶ 実行」を押す)

[4]実行結果をもとに、生成AIに考察を書かせる

[3]の実行結果(文字の出力)を生成AIに渡して、考察を書かせる。図そのものは渡さない。

(30秒〜1分ほどかかる)
まとめレポートの材料をまとめてコピーする

テーマ、データの説明、プログラム、実行結果、AIの考察を1つの文章にまとめてコピーする。Wordに貼り付けて、レポートの下書きに使う。

(参考)生成AIに送った指示文を見る

[1]データを作る指示

(まだ送っていません)

[2]プログラムを書く指示

(まだ送っていません)

[4]考察を書く指示

(まだ送っていません)