Clasificadores bayesianos simples Tipos de ambientes Naive bayes Vamos y comenzar recordando el teorema de Bayes con una formulacin

de sucesos, para posteriormente formularlo en trminos de variables aleatorias La idea de cada teorema Teorema (Bayes, 1764) Sean A y B dos sucesos aleatorios cuyas probabilidades se denotan por p(A) y p(B) respectivamente, verificndose que p(B) > 0. Supongamos conocidas las probabilidades a priori de los sucesos A y B, es decir, p(A) y p(B), as como la probabilidad condicionada del suceso B dado el suceso A, es decir p(B|A). La probabilidad a posteriori del suceso A conocido que se verifica el suceso B, es decir p(A|B), puede calcularse a partir de la siguiente frmula:

Tipos de variables La formulacin del teorema de Bayes puede efectuarse tambin para variables aleatorias, tanto unidimensionales como multidimensionales. Comenzando por la formulacin para dos variables aleatorias unidimensionales que denotamos por X e Y, tenemos que:

Probabilidades y sus aplicaciones

Aunque el clasicador bayesiano simple funciona muy bien (tiene una alta precisin en clasicacio n ) e n m u c h o s d o m i n i o s , e n o c a c i o n e s s u r e n d i m i e n t o decrece debido a que los atributos no son condicionalmente independientes como se asume

REDES BAYESIANAS DINAMICAS Tipo de ambiente Recientemente a cobrado importancia el aprendizaje de redes bayesianas dinmicas (RBD), las cuales modelan sistemas que cambian dinmicamente o evolucionan con el tiempo. Idea del teorema El mtodo de aprendizaje de clasificadores bayesianos dinmicos es un proceso cclico que busca el mejor clasificador y se lleva a cabo a travs de cuatro pasos: 1) creacin de la estructura inicial, 2) discretizacin, 3) mejora estructural y 4) evaluacin del clasificador bayesiano. Tipos de variables El modelo propuesto incluye mtodos de desratizacin de variables continuas, manejo de variables ocultas y de mejoramiento de la estructura para garantizar una mejor clasificacin. Si utilizan una poltica o son grficos El aprendizaje de RBD incluye dos partes. La primera involucra la construccin de la red y determinacin de los parmetros asociados a los nodos para crear la estructura inicial. La segunda parte incluye la construccin de una red de transicin entre cada periodo de tiempo. Aplicaciones

Aplicacin de las redes bayesianas dinmicas a la prediccin de series de datos y a la deteccin de anomalas REDES DE DECISIN Idea del teorema

Modelos para el apoyo a la toma de decisiones en forma racional, combinando el manejo probabilstico de incertidumbre con teora de decisiones La redes de decisin extienden a las redes bayesianas incorporando nodos de decisin y nodos de utilidad