Redes Bayesianas

More documents

Recommendations

Info

9. Selección de variables en microarrays de ADN • Cuatro inicializaciones para los EDAs • Init-0: Zi ❀ B(1, 0,5) para todo i = 1, · · · , n • Init-A, Init-B, Init-C basados en los resultados de un algoritmo de selección secuencial hacia delante (SFS) que selecciona n sel variables • Init-A: Zi ❀ B(1, n sel ) para todo i = 1, · · · , n n • Init-B: Zi ❀ B(1, p i ) con p i ∝ bondad del modelo naïve–Bayes que tiene como única variable predictiva X i ( ∑ n i=1 p i = n sel ) • Init-C: Zi ❀ B(1, p i ) con p i ∝ ⎧ ⎨ ⎩ incremento en bondad 1−SFS bondad n−n sel si X i es seleccionada por el SFS si X i no es seleccionada por el SFS ( ∑ n i=1 p i = n sel ) Redes Bayesianas – p.82/91
9. Selección de variables en microarrays de ADN Mejores resultados con cada inicialización y correspondientes número de variables DATOS TIPO INICIA. BONDAD VAR. init-0 67.74 985 disc init-A 95.16 13 70.97 init-B 95.16 13 Colon init-C 91.93 5 init-0 74.19 1069 cont init-A 98.39 6 53.23 init-B 98.39 10 init-C 95.16 3 init-0 45.8 3402 disc init-A 100 8 63.89 init-B 98.61 15 Leucemia init-C 98.61 6 init-0 76.39 3587 cont init-A 100 10 84.72 init-B 100 11 init-C 98.61 4 Redes Bayesianas – p.83/91
Page 1 and 2:
Redes Bayesianas Pedro Larrañaga D
Page 3 and 4:
1. Introducción • Limitación de
Page 5 and 6:
1. Introducción • Grafos acícli
Page 7 and 8:
1. Introducción • X = (X 1 , . .
Page 9 and 10:
2. Independencia condicional Distri
Page 11 and 12:
2. Independencia condicional Probab
Page 13 and 14:
2. Independencia condicional p(x|y,
Page 15 and 16:
2. Independencia condicional ¿I(X,
Page 17 and 18:
3. Factorización Factorización de
Page 19 and 20:
3. Factorización Red Bayesiana •
Page 21 and 22:
¢ ¤ ¢ ¥ ¤ + + + + 8 4 7)
Page 23 and 24:
4. Propagación de la evidencia Mé
Page 25 and 26:
6. Aprendizaje estructural • Apre
Page 27 and 28:
6. Aprendizaje estructural Score:
Page 29 and 30:
6. Aprendizaje estructural Algoritm
Page 31 and 32: 6. Aprendizaje estructural Diferent
Page 33 and 34: 6. Aprendizaje estructural Clasific
Page 45 and 46: 7.1 Introducción • Medicina domi
Page 47 and 48: 7.2 Predicción de la supervivencia
Page 49 and 50: 7.3 Multiclasificador de dos nivele
Page 55 and 56: 7.4 Clustering geográfico de la in
Page 57 and 58: 7.5 Predicción de la estructura se
Page 59 and 60: 7.5 Predicción de la estructura se
Page 61 and 62: 8. Algoritmos de estimación de dis
Page 69 and 70: QPNO YX R WR T S h m i g e QPNO XW
Page 77 and 78: 9. Selección de variables en micro
Page 79 and 80: 9. Selección de variables en micro
Page 81: 9. Selección de variables en micro
Page 85 and 86: Referencias • P. Larrañaga, C. K
Page 87 and 88: Referencias • B. Sierra, N. Serra
Page 89 and 90: Referencias Información en Interne
Page 91: Referencias Software comercial en I
show all

Redes Bayesianas

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?