Étude Comparative d’Algorithmes d’Apprentissage de Structure dans les Réseaux Bayésiens - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue JEDAI - Journal électronique d'intelligence artificielle Année : 2005

Étude Comparative d’Algorithmes d’Apprentissage de Structure dans les Réseaux Bayésiens

Résumé

Les réseaux bayésiens sont un formalisme de raisonnement probabiliste de plus en plus utilisé pour des tâches aussi diverses que le diagnostic médical, la fouille de texte ou encore la robotique. Dans certains cas, la structure du réseau bayésien est fournie a priori par un expert. Par contre, la détermination de cette structure à partir de données est une problématique NP-difficile pour laquelle de nombreuses méthodes d’apprentissage automatique ont été proposées ces dernières années (recherche d’un arbre optimal, recherche gloutonne, prise en compte de données incomplètes, etc). Après un bref rappel des principales méthodes existantes, nous proposons deux séries de tests destinés tout d’abord à évaluer la précision de ces méthodes en essayant de retrouver un graphe connu, et ensuite à tester leur efficacité face à des problèmes de classification. Les résultats obtenus nous permettent d’étudier par exemple la robustesse des méthodes pour la détection de relations "faibles" entre les variables, ou encore leur comportement en fonction du nombre d’exemples.
Fichier principal
Vignette du fichier
jedia39.pdf (443.02 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04227290 , version 1 (03-10-2023)

Licence

Domaine public

Identifiants

  • HAL Id : hal-04227290 , version 1

Citer

Olivier François, Philippe Leray. Étude Comparative d’Algorithmes d’Apprentissage de Structure dans les Réseaux Bayésiens. JEDAI - Journal électronique d'intelligence artificielle, 2005. ⟨hal-04227290⟩
68 Consultations
56 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More