Learning Bayesian networks form data with factorisation and classification purposes. Applications in biomedicine
暂无分享,去创建一个
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.