Estudo Comparativo de Métricas de Pontuação para Aprendizagem Estrutural de Redes Bayesianas

AUTOR(ES)
DATA DE PUBLICAÇÃO

2006

RESUMO

Redes Bayesianas são poderosas ferramentas de representação gráfica de distribuições de probabilidade. Tais redes manipulam incertezas existentes em sistemas do mundo real. A partir da última década, especial interesse no aprendizado de sua estrutura a partir de um conjunto de dados. Entretanto, o aprendizado da estrutura é um problema NP-Difícil, o que gerou a criação de Algoritmos heurísticos de busca. Muitos desses Algoritmos são baseados em métricas de pontuação para estimar o modelo. Este trabalho procura comparar três das métricas mais utilizadas. Para gerar os resul tados foram utilizadas as redes ASIA e ALARM, que são dois dos benchmarks padrões e o Algoritmo de busca K-2. A métrica Bayesiana Heckerman-Geiger com hiperparâmetros que dificultam a geração de arestas apresentam melhores resultados que àquelas que flexibilizam a geração de arestas, acontecendo o mesmo com a métrica MDL modificada. A comparação das duas métricas mostrou que a métrica Bayesiana é superior à métrica MDL com grandes conjuntos de dados e inferior, caso contrário. A modificação na métrica MDL resultou em estruturas mais próximas às apresentadas pela MDL para um conjunto reduzido de dados e mais próximas à Heckerman-Geiger para um grande conjunto de dados, quando seus parâmetros restrigem a criação de arestas

ASSUNTO(S)

bayesian networks bde k-2 mdl, bde k-2 aprendizagem estrutural redes bayesianas score metric belief networks alarm métricas redes de crença alarm asia structural learning engenharia eletrica asia mdl

ACESSO AO ARTIGO

Documentos Relacionados