Aprendizado de Redes Bayesianas
Além da precisão na tarefa de classificação
Versandkostenfrei!
Versandfertig in 6-10 Tagen
36,99 €
inkl. MwSt.
PAYBACK Punkte
18 °P sammeln!
O desenvolvimento de métodos automáticos para aprender estruturas de uma Rede Bayesiana (RB) diretamente a partir de dados é um problema relevante e considerado uma tarefa difícil, porque o número de estruturas possíveis cresce exponencialmente de acordo com o número de variáveis. Geralmente, para reduzir o espaço de busca, algumas restrições podem ser impostas durante o processo de indução da RB. Uma restrição possível é a definição de uma ordenação das variáveis. Definir uma ordenação adequada das variáveis é, contudo, um problema complexo a ser executado. Trabalhos...
O desenvolvimento de métodos automáticos para aprender estruturas de uma Rede Bayesiana (RB) diretamente a partir de dados é um problema relevante e considerado uma tarefa difícil, porque o número de estruturas possíveis cresce exponencialmente de acordo com o número de variáveis. Geralmente, para reduzir o espaço de busca, algumas restrições podem ser impostas durante o processo de indução da RB. Uma restrição possível é a definição de uma ordenação das variáveis. Definir uma ordenação adequada das variáveis é, contudo, um problema complexo a ser executado. Trabalhos anteriores, na literatura, sugerem o uso de Algoritmos Evolucionários para encontrar uma ordenação de variáveis adequada ao aprendizado de estruturas de RB. No entanto, algoritmos evolucionários podem ser computacionalmente custosos. Para os casos onde a busca por uma ordenação de variáveis é adequada, este trabalho apresenta dois novos operadores genéticos e um novo algoritmo adaptativo híbrido que busca tal ordenação. Para os casos onde uma ordenação não é indicada, são definidos dois métodos de indução de classificadores Bayesianos: DMBC e A-DMBC. Os resultados mostram que os métodos propostos são promissores.
Andere Kunden interessierten sich für
