Redes Bayesianas: diferenças entre revisões
| (Há 4 edições intermédias do mesmo utilizador que não estão a ser apresentadas) | |||
| Linha 1: | Linha 1: | ||
{{Conceitos | {{Conceitos | ||
|Aplicações=Extração de Conhecimento de Dados, Tomada de Decisão Clínica | |Aplicações=Extração de Conhecimento de Dados, Tomada de Decisão Clínica | ||
| Linha 11: | Linha 9: | ||
Redes Bayesianas são modelos gráficos probabilísticos baseados em grafos acíclicos dirigidos. | Redes Bayesianas são modelos gráficos probabilísticos baseados em grafos acíclicos dirigidos. | ||
Em que, a cada nó da rede está associada uma variável aleatória e uma distribuição de probabilidade condicional em função dos pais deste nó. | Em que, a cada nó da rede está associada uma variável aleatória e uma distribuição de probabilidade condicional em função dos pais deste nó. | ||
Na fig. 1 | Na fig. 1 podemos ver que os pais da variável Relva Molhada são as variáveis Rega e Chuva. | ||
Uma rede Bayesiana é uma forma de representação compacta de uma distribuição de probabilidade conjunta das variáveis do modelo<ref name="ref1">Russell,S. Norvig, P., Artificial Intelligence: A Modern Approach, 3rd edition, Prentice Hall, Englewood Cliffs, NJ , 2010</ref>. | Uma rede Bayesiana é uma forma de representação compacta de uma distribuição de probabilidade conjunta das variáveis do modelo<ref name="ref1">Russell,S. Norvig, P., Artificial Intelligence: A Modern Approach, 3rd edition, Prentice Hall, Englewood Cliffs, NJ , 2010</ref>. | ||
| Linha 46: | Linha 44: | ||
* '''Diagnóstico | * '''Diagnóstico | ||
# Ex: "Expert system for predicting unstable angina based on Bayesian networks"<ref name="ref 3">VILA-FRANCÉS, Joan, et al. Expert system for predicting unstable angina based on Bayesian networks. Expert Systems with Applications, 2013, 40.12: 5004-5010</ref>. | # Ex: "Expert system for predicting unstable angina based on Bayesian networks"<ref name="ref 3">VILA-FRANCÉS, Joan, et al. Expert system for predicting unstable angina based on Bayesian networks. Expert Systems with Applications, 2013, 40.12: 5004-5010</ref>. | ||
* '''Prognóstico | * '''Prognóstico | ||
Edição atual desde as 18h34min de 23 de abril de 2016
| Redes Bayesianas | |
|---|---|
| Sigla | |
| Aplicações | Extração de Conhecimento de Dados, Tomada de Decisão Clínica |
| Conceitos relacionados | Support Vector Machines, Redes Neuronais, Data Mining |
Definição
Redes Bayesianas são modelos gráficos probabilísticos baseados em grafos acíclicos dirigidos. Em que, a cada nó da rede está associada uma variável aleatória e uma distribuição de probabilidade condicional em função dos pais deste nó. Na fig. 1 podemos ver que os pais da variável Relva Molhada são as variáveis Rega e Chuva.
Uma rede Bayesiana é uma forma de representação compacta de uma distribuição de probabilidade conjunta das variáveis do modelo[1].
Analiticamente temos que:
Falhou a verificação gramatical (SVG com PNG como alternativa (MathML pode ser ativado através de uma extensão do ''browser''): Resposta inválida ("Math extension cannot connect to Restbase.") do servidor "https://api.formulasearchengine.com/v1/":): {\displaystyle P(x_{1},...,x_{n}) = \prod_{i=1}^{n} P(x_{i}|Pais(x_{i}))}
, em que Falhou a verificação gramatical (SVG com PNG como alternativa (MathML pode ser ativado através de uma extensão do ''browser''): Resposta inválida ("Math extension cannot connect to Restbase.") do servidor "https://api.formulasearchengine.com/v1/":): {\displaystyle n} é o número de variáveis do modelo e Falhou a verificação gramatical (SVG com PNG como alternativa (MathML pode ser ativado através de uma extensão do ''browser''): Resposta inválida ("Math extension cannot connect to Restbase.") do servidor "https://api.formulasearchengine.com/v1/":): {\displaystyle x_{i}} é a i-ésima variável.
Exemplo
Neste exemplo[1] temos uma rede relativa à rega de um jardim. Esta pode ser feita naturalmente através da chuva ou recorrendo a um sistema de rega. As probabilidades de cada variável condicionadas pelos seus pais estão explicitas nas tabelas. A partir desta informação é possível calcular qualquer probabilidade relativa às variáveis do modelo. Por exemplo, a partir de determinadas evidências podemos calcular a probabilidade das suas possíveis causas terem ocorrido.
As inferências podem ser realizadas sobre redes Bayesianas para[2]:
- Diagnósticos: Dos efeitos para as causas.
- Causas: De causas para efeitos.
- Intercausais: Entre causas de um efeito comum.
Aplicações na área da saúde
A utilização de sistemas de apoio à decisão clínica com recurso a redes Bayesianas tem sido frequente:
- Diagnóstico
- Ex: "Expert system for predicting unstable angina based on Bayesian networks"[3].
- Prognóstico
- Ex: "Predicting the prognosis of breast cancer by integrating clinical and microarray data with Bayesian networks"[4].
Software
Existem vários pacotes de software para construção e análise de redes Bayesianas:
- OpenBUGS[5] desenvolvido pela OpenBUGS Foundation em projeto colaborativo, código aberto sob licença GNU General Public(GPL). Utiliza Monte Carlo via Cadeias de Markov(MCMC).
- Microsoft Bayesian Network Editor (MBNEx)[6] desenvolvido pela Microsoft Research, pode ser usado para fins não comerciais.
- Netica[7] desenvolvido pela Norsys Software Corp., software comercial, tem uma versão demo que limita a dimensão do modelo a construir. Quando aprende as tabelas de probabilidade condicionada, a partir de dados, pode utilizar um de três algoritmos: contagem, método gradiente ou EM (Expectation–Maximization).
Referências
- ↑ 1,0 1,1 Russell,S. Norvig, P., Artificial Intelligence: A Modern Approach, 3rd edition, Prentice Hall, Englewood Cliffs, NJ , 2010
- ↑ MARQUES, Roberto Ligeiro; DUTRA, I. N. Ê. S. Redes Bayesianas: o que são, para que servem, algoritmos e exemplos de aplicações. Coppe Sistemas–Universidade Federal do Rio de Janeiro, Rio de Janeiro, Brasil, 2002
- ↑ VILA-FRANCÉS, Joan, et al. Expert system for predicting unstable angina based on Bayesian networks. Expert Systems with Applications, 2013, 40.12: 5004-5010
- ↑ GEVAERT, Olivier, et al. Predicting the prognosis of breast cancer by integrating clinical and microarray data with Bayesian networks. Bioinformatics, 2006, 22.14: e184-e190
- ↑ http://www.openbugs.net/w/FrontPage
- ↑ http://research.microsoft.com/en-us/um/redmond/groups/adapt/msbnx/
- ↑ https://www.norsys.com/netica.html
