ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
Masses de données hétérogènes
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 18/2 - 2004  - pp.195-228  - doi:10.3166/ria.18.195-228
TITRE
Apprentissage de la structure d'un réseau bayésien à partir d'une base de données

RÉSUMÉ
Les réseaux bayésiens sont d'excellents outils de modélisation de l'incertain grâce à leur représentation graphique claire et aux lois de probabilités conditionnelles définies sur ce graphe. La structure et les probabilités sont généralement données par un expert. Dans ce papier nous nous sommes intéressés à l'apprentissage direct de la structure de tels réseaux à partir de bases de données. Nous avons adopté une approche bayésienne qui permet de retrouver une adéquation entre la structure et les données. Notre point de départ a été deux algorithmes : K2 de Cooper et Herskovits et B de Buntine. Nous avons alors développé un nouvel algorithme K2B qui profite des avantages de ces deux algorithmes tout en essayant d'atténuer leurs inconvénients. L'implémentation de K2B a donné naissance à Alexso, qui arrive à trouver un compromis entre représentativité et simplicité de la structure.


ABSTRACT
Bayesian networks are very good tools for representing uncertainty thanks to their clear graphical representation and the conditional probability values defined on that graph. The structure and the probability values are usually given by an expert. In this paper, we are interested in learning the structure of such networks from databases. We have adopted a Bayesian approach, which allows to find an adequacy between the structure and the data. Our starting point was two algorithms: K2 of Cooper and Herskovits and B of Buntine. We have generated algorithm K2B that on one side benefits from the advantages of the two previous algorithms but on the other side reduces their drawbacks. The implementation of K2B gave birth to Alexso, which is able to find a compromise between representativity and simplicity of the structure.


AUTEUR(S)
Fédia KHALFALLAH, Khaled MELLOULI

MOTS-CLÉS
réseau bayésien, apprentissage de la structure, liens équivalents, niveau de recherche conjointe, principe de parcimonie.

KEYWORDS
Bayesian networks, structure learning, equivalent links, level of joint research, parcimony principle.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (207 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier