Uma métrica fuzzy para aprendizagem de estruturas de redes bayesianas pelo método de Monte Carlo e cadeias de Markov

Detalhes bibliográficos
Autor(a) principal: Crotti Junior, Ademar
Data de Publicação: 2014
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/xmlui/handle/123456789/132442
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2014.
id UFSC_f384746bfdaf96ca4da7f41869cc96c0
oai_identifier_str oai:repositorio.ufsc.br:123456789/132442
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Uma métrica fuzzy para aprendizagem de estruturas de redes bayesianas pelo método de Monte Carlo e cadeias de MarkovComputaçãoRedes bayesianasLógica difusaMonte Carlo, Método deMarkov, Processos deDissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2014.A aprendizagem de estrutura de redes bayesianas (RB) a partir dos dados é considerada uma tarefa complexa, uma vez que o número de estruturas possíveis cresce exponencialmente de acordo com o número de variáveis. Existem dois métodos principais para esta tarefa de aprendizagem de estruturas de RB: o método de independência condicional, que busca uma estrutura consistente com os testes de independência realizados nos dados; o método de busca heurística, que explora o espaço de busca avaliando as possíveis estruturas por meio de algoritmos de busca. Além desses dois métodos, também são considerados os algoritmos híbridos, onde os dois métodos são aplicados na tarefa. A principal falha dessas abordagens tradicionais é que elas não conseguem identificar todas as relações existentes nos dados, sendo necessário investigar novas abordagem. Desta forma, esta pesquisa apresenta o desenvolvimento de uma métrica fuzzy de avaliação com um método de busca heurística para aprendizagem de estrutura de redes bayesianas, utilizando Monte Carlo via Cadeias de Markov. As diferentes métricas de avaliação de redes bayesianas utilizadas permitem identificar determinadas propriedades nas redes. Essas propriedades são determinadas em função da métrica aplicada. A combinação em uma métrica fuzzy possibilita avaliar diferentes propriedades simultaneamente. Os resultados deste trabalho foram avaliados no contexto de bases sintéticas por meio da comparação com outros algoritmos, convergência das cadeias de Markov e tempo de processamento. Os resultados evidenciam, apesar do tempo de processamento, que a métrica proposta, além de compatível com os algoritmos clássicos, melhorou o processo de avaliação de estruturas combinando diferentes métricas em uma métrica fuzzy.<br>Abstract : Learning bayesian networks (BN) from data is considered a complex task, since the number of possible structures grows exponentially with the number of variables. There are two main approaches for learning BN: methods based on independence tests, seeking structures consistente with the tests performed on the data; methods based on heuristic search, exploring the search space with a search algorithm, evaluating the possible structures. Besides these two approaches, there are hybrid algorithms, where both methods are applied to the task. The main fault of these approaches is that they still fail to identify all existing relationships in the data, so it is necessary to investigate new approaches. This research presents the development of a fuzzy score metric in a heuristic search method for learning Bayesian network structures, in a Markov Chain Monte Carlo algorithm. Different score metrics used to learn BN structures identify certain properties in these networks. These properties are determined based on the score applied. The combination of these scores in a fuzzy metric enables the evaluation of different properties simultaneously. Results of this research were evaluated in the context of synthetic bases by comparing with other algorithms, convergence of Markov chains and processing time. The results show, despite the processing time, that the proposed metric is compatible with traditional algorithms, and improved the evaluation process of structures, combining different score metrics into a fuzzy metric.Nassar, Silvia ModestoUniversidade Federal de Santa CatarinaCrotti Junior, Ademar2015-04-29T21:05:31Z2015-04-29T21:05:31Z2014info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis72 p.| il.application/pdf332933https://repositorio.ufsc.br/xmlui/handle/123456789/132442porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2016-03-07T18:54:47Zoai:repositorio.ufsc.br:123456789/132442Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732016-03-07T18:54:47Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Uma métrica fuzzy para aprendizagem de estruturas de redes bayesianas pelo método de Monte Carlo e cadeias de Markov
title Uma métrica fuzzy para aprendizagem de estruturas de redes bayesianas pelo método de Monte Carlo e cadeias de Markov
spellingShingle Uma métrica fuzzy para aprendizagem de estruturas de redes bayesianas pelo método de Monte Carlo e cadeias de Markov
Crotti Junior, Ademar
Computação
Redes bayesianas
Lógica difusa
Monte Carlo, Método de
Markov, Processos de
title_short Uma métrica fuzzy para aprendizagem de estruturas de redes bayesianas pelo método de Monte Carlo e cadeias de Markov
title_full Uma métrica fuzzy para aprendizagem de estruturas de redes bayesianas pelo método de Monte Carlo e cadeias de Markov
title_fullStr Uma métrica fuzzy para aprendizagem de estruturas de redes bayesianas pelo método de Monte Carlo e cadeias de Markov
title_full_unstemmed Uma métrica fuzzy para aprendizagem de estruturas de redes bayesianas pelo método de Monte Carlo e cadeias de Markov
title_sort Uma métrica fuzzy para aprendizagem de estruturas de redes bayesianas pelo método de Monte Carlo e cadeias de Markov
author Crotti Junior, Ademar
author_facet Crotti Junior, Ademar
author_role author
dc.contributor.none.fl_str_mv Nassar, Silvia Modesto
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Crotti Junior, Ademar
dc.subject.por.fl_str_mv Computação
Redes bayesianas
Lógica difusa
Monte Carlo, Método de
Markov, Processos de
topic Computação
Redes bayesianas
Lógica difusa
Monte Carlo, Método de
Markov, Processos de
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2014.
publishDate 2014
dc.date.none.fl_str_mv 2014
2015-04-29T21:05:31Z
2015-04-29T21:05:31Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 332933
https://repositorio.ufsc.br/xmlui/handle/123456789/132442
identifier_str_mv 332933
url https://repositorio.ufsc.br/xmlui/handle/123456789/132442
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 72 p.| il.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652332925190144

Registros relacionados