Learning Bayesian networks form data with factorisation and classification purposes. Applications in biomedicine

El trabajo de la tesis realiza aportaciones en dos areas relacionadas: el aprendizaje automatico desde datos de redes Baysianas y los clasificadores Bayesianos, En el aprendizaje de redes Bayesianas, las aproximaciones de "score+search" buscan la mejor red Bayesiana para una medida y un espacio de busqueda dados. En este campo, las aportaciones de la tesis se centran en el uso de los metodos floating, el GRASP y los algoritmos de estimacion de distribuciones como motores en la busqueda de redes Bayesianas. Aunque los resultados obtenidos no son tan buenos como se esperaba, si son competitivos con los obtenidos por otros algoritmos propuestos por la literatura. La clasificacion supervisada consiste en construir un modelo a partir de un conjunto de d atos etiquetados, para que en el futuro ese modelo prediga la clase de una instancia sin etiquetar. Relacionado con la clasificacion supervisada se encuentra la seleccion de variables, donde solo de eligen las variables que aportan informacion para la clase. En esta tesis, los paradigmas de clasificacion elegidos son un subconjunto de clasificadores Bayesianos; naive Bayes, semi naive Bayes, tree augmented naive Bayes and k dependence Bayesian classifier. Las aportaciones en esta area se centran an la propuesta de aproximaciones de filtrado y envoltura para estos clasificadores. De la experimentacion realizada se puede apreciar que los clasificadores Bayesianos propuestos mejoran el resultado del naive Bayes cuando los datos incluyen variables redundantes e irrelevantes. Finalmente, se han aplicado las aproximaciones de filtrado y envoltura para los clasificadores Bayesianos a tres problemas reales de entornos biomedicos, obteniendo resultados muy prometedores.