Redes Bayesianas

PAPER SOBRE REDES BAYESIANAS
LA EXPLOTACIÓN DE LAS REGLAS DE ASOCIACIÓN
Y CORRELACIÓN PARÁMETROS PARA EL
APRENDIZAJE DE REDES BAYESIANAS
1. DEFINICIONES:
(Storari, Riguzzi, & Lamma, 2009) En su investigación La explotación de las reglas de
asociación y correlación parámetros para el aprendizaje de redes bayesianas definió a las
Redes Bayesianas como “Son herramientas muy eficaces pararepresentar el
conocimiento incierto y realizar el razonamiento sobre el mismo” (pág. 1).
(Cooper & Herskovits, 1992) K2 es uno de los más rápidos: se toma como entrada una
ordenación topológica de los nodos y, para cada nodo, se añade en varias ocasiones un
nodo anterior como un padre si la estructura resultante aumenta una puntuación dada por
la probabilidad conjunta de los datos y laestructura de la red. K2 deja de agregar los
padres cuando hay además puede aumentar la puntuación.

2. ANTECEDENTES:
(Storari, Riguzzi, & Lamma, 2009) Sin embargo, la construcción de una red bayesiana
para un dominio es una pérdida de tiempo y una tarea difícil. Por lo tanto, las técnicas
para inferir automáticamente una red bayesiana a partir de datos han recibido
recientemente mucha atención.Dado un conjunto de ejemplos de entrenamiento, el
aprendizaje de una red bayesiana es el problema de encontrar la estructura de la red junto
con las tablas de probabilidad condicional (CPT para abreviar) que mejor coinciden con
el conjunto de datos. La calidad de la coincidencia se evaluó utilizando una métrica de
puntuación tales como descripción longitud o probabilidad posterior. Por logeneral, se
adopta una búsqueda codiciosa en el espacio de posibles estructuras (pág. 1).
(Storari, Riguzzi, & Lamma, 2009) En las reglas de minería de datos, de asociación y de
correlación se desprende de los datos con el fin de resaltar las dependencias estadísticas
entre atributos. Las métricas definidas para la evaluación de estas normas pueden ser
explotadas para marcar las relaciones entre losatributos en el aprendizaje de la red
bayesiana (pág. 1).
(Storari, Riguzzi, & Lamma, 2009) En la minería de datos, reglas de asociación y reglas
de correlación se utilizan para representar dependencias entre las variables y se deducen
automáticamente de los datos. Cada asociación o regla de correlación se caracteriza por
un número de parámetros que pueden utilizarse para identificar laindependencia entre los
nodos (pág. 1-2).

3. METODOLOGÍA:
(Storari, Riguzzi, & Lamma, 2009) En este trabajo, se proponen dos nuevos métodos para
el aprendizaje de redes bayesianas a partir de datos que se basan en el algoritmo de
aprendizaje K2 y mejorarlo mediante la explotación de los parámetros de normalidad
definidos por reglas de asociación y correlación (pág. 1).

(Storari, Riguzzi, &Lamma, 2009) En este trabajo se presentan dos algoritmos que
utilizan estos parámetros para mejorar la calidad de las redes aprendidas por K2 y reducir
aún más los recursos computacionales necesarios (pág. 1-2):



K2-Lift explota el parámetro de elevación con el fin de mejorar el K2.
K2-X2 explota índice X2 de Pearson con el fin de mejorar K2.

4. MODELOS:
(Storari, Riguzzi, & Lamma,2009) Las reglas de asociación se relacionan los eventos que
se observan con frecuencia juntos. Un buen ejemplo de reglas de asociación se obtiene
del dominio de las operaciones de venta: una regla de la asociación en este ámbito expresa
qué artículos están generalmente comprados juntos. Un elemento es un literal de la forma
V = v, donde V es una variable del dominio (atributo del conjunto dedatos) y v es un
valor que pertenece al dominio de la V. Sea M el conjunto de todos los elementos
posibles. Un conjunto de elementos X es un conjunto coherente de elementos, es decir un
conjunto X tal que X ⊆ M y V = v1 ∈ X, V = v2 ∈ X ⇒ v1 = v2. Una transacción T es
un registro de la base de datos. Decimos que una transacción T contiene un conjunto de
elementos X si X ⊆ T o, en su...