Aprendizado Supervisionado de Redes Bayesianas na Mineração de Dados
A seleção de atributos aplicada em problemas de classificação apresentando um novo algoritmo, o MarkovPC
Versandkostenfrei!
Versandfertig in 6-10 Tagen
36,99 €
inkl. MwSt.
PAYBACK Punkte
18 °P sammeln!
As Redes Bayesianas (RBs) podem ser consideradas como uma forma de representação do conhecimento baseada no raciocínio probabilístico e possuem características que as tornam muito adequadas para tarefas de mineração de dados. O aprendizado automático de RBs e Classificadores Bayesianos (CBs) busca identificar uma RB que represente o relacionamento entre as variáveis de um determinado conjunto de dados, mas sendo um problema NP-completo o espaço de busca se torna muito amplo na maioria das aplicações. Assim, muitos algoritmos exploram formas de redução do espaço de busca para tor...
As Redes Bayesianas (RBs) podem ser consideradas como uma forma de representação do conhecimento baseada no raciocínio probabilístico e possuem características que as tornam muito adequadas para tarefas de mineração de dados. O aprendizado automático de RBs e Classificadores Bayesianos (CBs) busca identificar uma RB que represente o relacionamento entre as variáveis de um determinado conjunto de dados, mas sendo um problema NP-completo o espaço de busca se torna muito amplo na maioria das aplicações. Assim, muitos algoritmos exploram formas de redução do espaço de busca para tornar o processo de aprendizado computacionalmente viável. Este livro apresenta um método, o MarkovPC, de aprendizado de CBs que visa exatamente reduzir o espaço de busca durante a indução de um classificador a partir de dados. Para tanto, toma-se como base algoritmos de aprendizado de RB da classe de Independência Condicional e o conceito de Markov Blanket. Resultados mostram que o MarkovPC é capaz de reduzir o esforço computacional do processo de indução de um classificador Bayesiano e mantendo a qualidade do classificador induzido em termos de taxa de classificação correta.
Andere Kunden interessierten sich für
