Redes Bayesianas

50 %
50 %
Information about Redes Bayesianas

Published on June 11, 2008

Author: juanksar

Source: slideshare.net

Redes Bayesianas Alexandra Cueva Juan Carlos Sarango

Redes Bayesianas Son representaciones gráficas de dependencia de razonamiento probabilístico.

Son representaciones gráficas de dependencia de razonamiento probabilístico.

Redes Bayesianas En la RB los nodos representan variables aleatorias y los arcos representan relaciones de dependencia directa entre las variables

En la RB los nodos representan variables aleatorias y los arcos representan relaciones de dependencia directa entre las variables

Teorema de Bayes Fue enunciado por Thomas Bayes en la teoría de la probabilidad

Fue enunciado por Thomas Bayes en la teoría de la probabilidad

Definiciones Grafo Acíclico X Y Arco a b c e d

Grafo Acíclico

Arco

Separaci ón D En general, el conjunto de variables A es independiente del conjunto B dado C si al remover C hace que A y B se desconecten. Es decir, NO existe una trayectoria entre A y B en que las siguientes condiciones sean verdaderas. Todos los nodos con flechas convergentes están o tiene descendientes en C . Todos los demás nodos están fuera de C . A C B

En general, el conjunto de variables A es independiente del conjunto B dado C si al remover C hace que A y B se desconecten. Es decir, NO existe una trayectoria entre A y B en que las siguientes condiciones sean verdaderas.

Todos los nodos con flechas convergentes están o tiene descendientes en C .

Todos los demás nodos están fuera de C .

Inferencia y Propagación de Arboles El razonamiento probabilístico o propagación de probabilidades consiste en propagar los efectos de la evidencia a través de la red para conocer la probabilidad a posteriori de las variables. Los algoritmos de propagación dependen de la estructura de la red: Árboles. Poli-árboles. Redes multi-conectadas. Árbol Poliárbol

El razonamiento probabilístico o propagación de probabilidades consiste en propagar los efectos de la evidencia a través de la red para conocer la probabilidad a posteriori de las variables.

Los algoritmos de propagación dependen de la estructura de la red:

Árboles.

Poli-árboles.

Redes multi-conectadas.

Propagación de Redes Multiconectadas Una red multiconectada es un grafo no conectado en forma sencilla, es decir, en el que hay múltiples trayectorias entre nodos (MCG). Nuevas Técnicas Condicionamiento Simulación Estocástica Agrupamiento 1 2 3 5 4 Red Multiconectada

Una red multiconectada es un grafo no conectado en forma sencilla, es decir, en el que hay múltiples trayectorias entre nodos (MCG).

Nuevas Técnicas

Condicionamiento

Simulación Estocástica

Agrupamiento

Propagación de Redes Multiconectadas Condicionamiento: Si instanciamos una variable, esta bloquea las trayectorias de propagación. Entonces asumiendo valores para un grupo seleccionado de variables podemos descomponer la gráfica en un conjunto de SCG. Propagamos para cada valor posible de dichas variables y luego promediamos las probabilidades ponderadas. Simulación Estocástica: Se asignan valores aleatorios a las variables no instanciadas. Se calcula la distribución de probabilidad y se obtienen valores de cada variable dando una muestra. Se repite el procedimiento para obtener un numero apreciable de muestras y en base al numero de ocurrencias de cada valor se determina la probabilidad de dicha variable.

Condicionamiento:

Si instanciamos una variable, esta bloquea las trayectorias de propagación.

Entonces asumiendo valores para un grupo seleccionado de variables podemos descomponer la gráfica en un conjunto de SCG.

Propagamos para cada valor posible de dichas variables y luego promediamos las probabilidades ponderadas.

Simulación Estocástica:

Se asignan valores aleatorios a las variables no instanciadas.

Se calcula la distribución de probabilidad y se obtienen valores de cada variable dando una muestra.

Se repite el procedimiento para obtener un numero apreciable de muestras y en base al numero de ocurrencias de cada valor se determina la probabilidad de dicha variable.

Propagación de Redes Multiconectadas Agrupamiento: El método de agrupamiento consiste en transformar la estructura de la red para obtener un árbol, mediante agrupación de nodos usando la teoría de grafos. Pasos: Elimina la dirección de los arcos. Ordenamiento de los nodos por máxima cardinalidad. Moraliza el grafo (arco entre nodos con hijos comunes). Triangular el grafo. Obtener los cliques y ordenar. Construir el árbol. 1 2 3 5 4 1 2 3 5 4 C3 C2 C1 1,2,3 2,3,4 3,5

Agrupamiento:

El método de agrupamiento consiste en transformar la estructura de la red para obtener un árbol, mediante agrupación de nodos usando la teoría de grafos.

Pasos:

Elimina la dirección de los arcos.

Ordenamiento de los nodos por máxima cardinalidad.

Moraliza el grafo (arco entre nodos con hijos comunes).

Triangular el grafo.

Obtener los cliques y ordenar.

Construir el árbol.

Aprendizaje de Clasicadores Bayesianos. Un clasificador, en general, suministra una función que clasifica, una instancia, especificada por una serie de características o atributos, en una o en diferentes clases predefinidas. Se mencionan dos tipos de aprendizaje: Aprendizaje estructural. Aprendizaje paramétrico.

Un clasificador, en general, suministra una función que clasifica, una instancia, especificada por una serie de características o atributos, en una o en diferentes clases predefinidas.

Se mencionan dos tipos de aprendizaje:

Aprendizaje estructural.

Aprendizaje paramétrico.

Aprendizaje de Clasicadores Bayesianos. Aprendizaje Estructural : Obtiene la estructura de la red Bayesiana (o topología de red) a partir de bases de datos, es decir, las relaciones de dependencia e independencia entre las variables involucradas. Aprendizaje Paramétrico: Dada una estructura, obtiene las probabilidades asociadas. El requisito primordial para poder realizar la tarea de aprendizaje de redes Bayesianas a partir de datos es disponer de bases de datos muy amplia en las que este detallado el valor de cada variable en cada uno de los casos.

Aprendizaje Estructural :

Obtiene la estructura de la red Bayesiana (o topología de red) a partir de bases de datos, es decir, las relaciones de dependencia e independencia entre las variables involucradas.

Aprendizaje Paramétrico:

Dada una estructura, obtiene las probabilidades asociadas. El requisito primordial para poder realizar la tarea de aprendizaje de redes Bayesianas a partir de datos es disponer de bases de datos muy amplia en las que este detallado el valor de cada variable en cada uno de los casos.

Clasicador Bayesiano Simple Un clasificador es una función que asigna una etiqueta clase a una instancia descrita mediante un conjunto de atributos. C A1 An A2 ……

Un clasificador es una función que asigna una etiqueta clase a una instancia descrita mediante un conjunto de atributos.

Extensiones al Clasicador Bayesiano Se lo puede realizar de dos formas: TAN: Clasificador bayesiano simple al cual se le aumenta con un árbol. BAN: Clasificador bayesiano simple al cual se le aumenta con una red. TAN BAN C A1 A2 A3 C A2 A1 A3

Se lo puede realizar de dos formas:

TAN:

Clasificador bayesiano simple al cual se le aumenta con un árbol.

BAN:

Clasificador bayesiano simple al cual se le aumenta con una red.

Mejora Estructural de un Clasicador Bayesiano En este enfoque se combina conocimiento de expertos con datos para encontrar la estructura de una red bayesiana. Un enfoque consiste en iniciar con una estructura preliminar propuesta por un experto y utilizar datos para validar y mejorar dicha estructura. Validar la estructura de cada subárbol de la red bayesiana: Calcular la correlación entre cada par de nodos dado el padre: Baja: es razonable asumir independencia, así que la estructura no se modifica. Alta: no son independientes, modificar la estructura. Si se requiere modificar la estructura, se utiliza una de las siguientes estrategias: Eliminación de nodo Combinación de nodos Creación de nodo.

En este enfoque se combina conocimiento de expertos con datos para encontrar la estructura de una red bayesiana.

Un enfoque consiste en iniciar con una estructura preliminar propuesta por un experto y utilizar datos para validar y mejorar dicha estructura.

Validar la estructura de cada subárbol de la red bayesiana:

Calcular la correlación entre cada par de nodos dado el padre:

Baja: es razonable asumir independencia, así que la estructura no se modifica.

Alta: no son independientes, modificar la estructura.

Si se requiere modificar la estructura, se utiliza una de las siguientes estrategias:

Eliminación de nodo

Combinación de nodos

Creación de nodo.

Mejora Estructural de un Clasicador Bayesiano Z Y X 1. Estructura Original X Z 2. Eliminación Z XY 3. Unión Y X W Z 4. Inserción

Herramientas de utilizan Redes Bayesianas KNIME:

KNIME:

Herramientas de utilizan Redes Bayesianas Weka

Weka

Herramientas de utilizan Redes Bayesianas Yale

Yale

Referencias Felgaer, Britos, Sicre, Servetto, Garcia Martnez, Perichinsky, "Optimizacion de Redes Bayesianas Basado en Tecnicas de Aprendizaje por Induccion", http: // www.itba. edu. ar/ capis/ rtis/ rtis-6-2/optimizacion-de-redes-bayesianas. pdf Valdes, F., "Comprension y Uso de la Estadstica", Universidad Romulo Gallegos, disponible en: http://www.cortland.edu/flteach/stats/glos-sp.html Wikipedia, Teorema de Bayes", mayo de 2008, se encuantra en: http://es.wikipedia.org/wiki/Teorema_de_Bayes Felgaer,"Redes Bayesianas", https://www.u-cursos.cl/ingenieria/2008/1/CC52A/1/material_alumnos/objeto/13237 Felgaer, E., Optimizacion de Redes Bayesianas Basado en Tecnicas de Aprendizaje por Induccion", abril de 2008 disponible en: www.fi.uba.ar/materias/7500/felgaer-tesisingenieriainformatica.pdf. Lopez, C., "Clasicadores por Redes Bayesianas", Universidad de Puerto Rico Mayaguez, http://grad.uprm.edu/tesis/lopezdecastilla.pdf. Chow, C. and Liu, C. (1968). "Approximating Discrete Probability Distributions with Dependence Trees". IEEE Transactions on InformationTheory, vol 14, 462- 467. Waikato, "Weka Data Mining Software in Java", Mayo 2008, disponible en: http://www.cs.waikato.ac.nz/ml/weka/. Knime.org, "Knime", University of Konstanz, Mayo 2008, disponible en: http://www.knime.org/index.html. Ingomierswa, "Yale", Mayo de 2008, disponible en: http://sourceforge.net/projects/yale/

Felgaer, Britos, Sicre, Servetto, Garcia Martnez, Perichinsky, "Optimizacion de Redes Bayesianas Basado en Tecnicas de Aprendizaje por Induccion", http: // www.itba. edu. ar/ capis/ rtis/ rtis-6-2/optimizacion-de-redes-bayesianas. pdf

Valdes, F., "Comprension y Uso de la Estadstica", Universidad Romulo Gallegos, disponible en: http://www.cortland.edu/flteach/stats/glos-sp.html

Wikipedia, Teorema de Bayes", mayo de 2008, se encuantra en: http://es.wikipedia.org/wiki/Teorema_de_Bayes

Felgaer,"Redes Bayesianas", https://www.u-cursos.cl/ingenieria/2008/1/CC52A/1/material_alumnos/objeto/13237

Felgaer, E., Optimizacion de Redes Bayesianas Basado en Tecnicas de Aprendizaje por Induccion", abril de 2008 disponible en: www.fi.uba.ar/materias/7500/felgaer-tesisingenieriainformatica.pdf.

Lopez, C., "Clasicadores por Redes Bayesianas", Universidad de Puerto Rico Mayaguez, http://grad.uprm.edu/tesis/lopezdecastilla.pdf.

Chow, C. and Liu, C. (1968). "Approximating Discrete Probability Distributions with Dependence Trees". IEEE Transactions on InformationTheory, vol 14, 462- 467.

Waikato, "Weka Data Mining Software in Java", Mayo 2008, disponible en: http://www.cs.waikato.ac.nz/ml/weka/.

Knime.org, "Knime", University of Konstanz, Mayo 2008, disponible en: http://www.knime.org/index.html.

Ingomierswa, "Yale", Mayo de 2008, disponible en: http://sourceforge.net/projects/yale/

Gracias

Add a comment

Related presentations

Related pages

Tutorial NETICA - Redes Bayesianas - YouTube

1661 Introduccion a las Redes Bayesianas Aplicacion a la Educacion Tests Adaptativos Segunda parte - Duration: 22:34. Lorenzo Moreno 1,335 views
Read more

Redes Bayesianas: Ejercicio teórico resuelto - 4988 - YouTube

1661 Introduccion a las Redes Bayesianas Aplicacion a la Educacion Tests Adaptativos Segunda parte - Duration: 22:34. Lorenzo Moreno 1,335 views
Read more

Utilidad de las redes bayesianas en psicología: Amazon.de ...

Utilidad de las redes bayesianas en psicología: Amazon.de: Juan García García, Jorge López Puga: Fremdsprachige Bücher
Read more

Propuesta para usar redes bayesianas en la alerta temprana ...

Propuesta para usar redes bayesianas en la alerta temprana de sequías: Aplicación en Venezuela: Amazon.de: Franklin Javier Paredes Trejo, Edilberto ...
Read more

Análisis de indicadores de rendimiento mediante redes ...

Bücher bei Weltbild: Jetzt Análisis de indicadores de rendimiento mediante redes bayesianas von Antonio Salmerón Cerdán portofrei bestellen bei ...
Read more

Belief and Decision Networks - AIspace

Belief and Decision Networks. version 5.1.10. Click here to start the tool using Java Web Start. If you are having problems running the tool, ...
Read more

Belief Nets (aka Bayesian Nets) - University of Alberta

Belief nets (aka Bayesian Networks, probability nets, causal nets) are models for representing uncertainty in our knowledge. Uncertainty arises in a ...
Read more

Redes Bayesianas: um método para avaliação de ...

Redes Bayesianas: um método para avaliação de interdependência e contágio em séries temporais multivariadas on ResearchGate, the professional network ...
Read more