Aprendizaje en redes Bayesianas

Una red Bayesiana  es un grafo acíclico dirigido en el que cada nodo representa una variable y cada arco una dependencia probabilística. Los nodos por lo general son variables aleatorias. Son utilizadas para modelar un fenómeno y de representar el conocimiento y métodos flexibles de razonamiento por medio de los nodos. El obtener una red Bayesiana  a partir de datos, es un proceso de aprendizaje que se divide en dos etapas: el aprendizaje estructural y el aprendizaje paramétrico.

 

Aprendizaje

 

Redes Bayesianas Dinámicas (RBD) son las que cambian con el tiempo.

 

Dada una representación en RBD en base a dos componentes, la estructura base (estático), y la red de transición.

 

Estructura base: Para aprender de la estructura base se consideran los datos de todas las variables en todos los tiempos, de forma que se pueda tener dependencias sin considerar las relaciones temporales. El problema entonces es de dos tipos:

 

  • 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 esté detallado el valor de cada variable en cada uno de los casos.

 

 

Estructura de transición: dada la estructura base se aprende la red de transición esto se realiza usando dos enfoques:

 

  • Basado en medidas de ajuste de búsqueda: se parte de una estructura inicial con dos copias de la red base, y se busca agregar ligas entre variables en el tiempo T y T+1 que optimicen la medida de evaluación, para ello se consideran los datos de cada variable en el tiempo siguiente.

 

 

Figura 1: Aprendizaje de una red Bayesiana dinámica. Primero se obtiene la estructura base (izquierda) y después y después las relaciones entre etapas (derecha).

 

 

De medidas locales: Se aplican estas variables entre etapas para de esta forma determinar los arcos a incluirse en la red de transición. La Figura 1 ilustra una RBD sencillo.

 

Bibliografía

 

[1] Sierra Araujo, B. (2006): Aprendizaje Automatico. España: Pearson

[2] Ezequiel FELGAER, P. (2008, Abril). OPTIMIZACIÓN DE REDES BAYESIANAS BASADO

EN TÉCNICAS DE APRENDIZAJE POR INDUCCIÓN disponible en: www.itba.edu.ar/capis/rtis/rtis-6-2/optimizacion-de-redes-bayesianas.pdf

[3] Ezequiel FELGAER, P. (2008, Abril). OPTIMIZACIÓN DE REDES BAYESIANAS BASADO

EN TÉCNICAS DE APRENDIZAJE POR INDUCCIÓN disponible en: www.fi.uba.ar/materias/7500/felgaer-tesisingenieriainformatica.pdf

 

Por: Junior Sinche




    Responder

    Introduce tus datos o haz clic en un icono para iniciar sesión:

    Logo de WordPress.com

    Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

    Imagen de Twitter

    Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

    Foto de Facebook

    Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

    Google+ photo

    Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

    Conectando a %s



A %d blogueros les gusta esto: