Réseaux bayésiens
Fermé
rbdmine
Messages postés
8
Date d'inscription
vendredi 6 avril 2007
Statut
Membre
Dernière intervention
10 avril 2007
-
6 avril 2007 à 09:52
younes - 15 nov. 2010 à 21:55
younes - 15 nov. 2010 à 21:55
A voir également:
- Réseaux bayésiens
- Sandra a décidé de mieux contrôler son image et sa présence sur différents réseaux sociaux. qu’est-il possible de faire sur ces réseaux ? - Forum WiFi
- Frédéric cherche à faire le buzz sur les réseaux sociaux. il a ajouté une image d’ours polaire sur une image de plage. retrouvez l'image originale de la plage. que cache l'ours polaire ? - Forum Loisirs / Divertissements
- Frédéric cherche à faire le buzz sur les réseaux sociaux. il a ajouté une image de manchots sur une image de plage. retrouvez l'image originale de la plage. que cachent les manchots ? - Forum Graphisme
- Comment ca marche les liens miniatures sur les réseaux sociaux - Forum Réseaux sociaux
- Retrouver moi l'original - Forum Musique / Radio / Clip
11 réponses
mamiemando
Messages postés
33077
Date d'inscription
jeudi 12 mai 2005
Statut
Modérateur
Dernière intervention
18 avril 2024
7 748
6 avril 2007 à 14:09
6 avril 2007 à 14:09
En général le calcul exhaustif de tout les chemins d'un graphe est une mauvaise idée car son nombre est exponentiel.
Que veux tu faire exactement ?
Il existe des façon de limiter le nombre de chemin (interdire les boucles par exemple) si tu fais un DFS (depth first search), et des algos de calcul de k plus courts chemins (comme l'algorithme d'eppstein) mais ça dépend grandement de ce que tu veux faire.
Bonne chance
Que veux tu faire exactement ?
Il existe des façon de limiter le nombre de chemin (interdire les boucles par exemple) si tu fais un DFS (depth first search), et des algos de calcul de k plus courts chemins (comme l'algorithme d'eppstein) mais ça dépend grandement de ce que tu veux faire.
Bonne chance
mamiemando
Messages postés
33077
Date d'inscription
jeudi 12 mai 2005
Statut
Modérateur
Dernière intervention
18 avril 2024
7 748
6 avril 2007 à 14:37
6 avril 2007 à 14:37
Pas vraiment en fait. Je cherche à comprendre ce que tu veux faire et je n'y arrive pas. Décris-moi le problème d'un point de vue théorie des graphes, sans chercher pour l'instant à me dire comment tu veux le résoudre. Quel est le problème, que veux tu inférer, quelles sont tes paramètres d'entrées etc...
rbdmine
Messages postés
8
Date d'inscription
vendredi 6 avril 2007
Statut
Membre
Dernière intervention
10 avril 2007
6 avril 2007 à 14:54
6 avril 2007 à 14:54
alors, je ne sais pas si tu connais le principe des réseaux bayésiens ou non,mais je vais t'expliquer un petit peu.
donc un réseaux bayésiens c'est un graphe acyclique orienté ,chaque noeud est associé à une probabilité conditionnelle(table de probabilité)en fonction des parents directs.jusqu'au la c'est juste une distribution des probabilités à priori(qui sont des données)
maintenant s'il y a une obeservation(par exemple j'observe un probleme sur un emplacement précis),je veux connaitre l'organe responsable de ce probleme (diagnostiquer),je dois propager cette observation (faire l'inférence)dans tout le réseau et calculer la probabilité à postériori de chaque noeud en fonction de l'observation.
et comme cette propagation est NP-difficile dans les cas ou le reseau est complexe, j'ai une idée d'implanter les propriétés d'un graphe dans l'inférence,
la propriété qui peut m'aider est la d-séparation.donc s'il y a un certain nombre d'observation il y a surement un blocage d'information quelque part dans le réseau donc ce sera pas la peine de faire l'inférence dans cette partie du réseau(ca ne change rien).voila,j'espere que j'étais clair.
donc je veux bien chercher les chemins bloquer avant de lancer l'algorithme d'inférence pour limiter les calculs
merci
donc un réseaux bayésiens c'est un graphe acyclique orienté ,chaque noeud est associé à une probabilité conditionnelle(table de probabilité)en fonction des parents directs.jusqu'au la c'est juste une distribution des probabilités à priori(qui sont des données)
maintenant s'il y a une obeservation(par exemple j'observe un probleme sur un emplacement précis),je veux connaitre l'organe responsable de ce probleme (diagnostiquer),je dois propager cette observation (faire l'inférence)dans tout le réseau et calculer la probabilité à postériori de chaque noeud en fonction de l'observation.
et comme cette propagation est NP-difficile dans les cas ou le reseau est complexe, j'ai une idée d'implanter les propriétés d'un graphe dans l'inférence,
la propriété qui peut m'aider est la d-séparation.donc s'il y a un certain nombre d'observation il y a surement un blocage d'information quelque part dans le réseau donc ce sera pas la peine de faire l'inférence dans cette partie du réseau(ca ne change rien).voila,j'espere que j'étais clair.
donc je veux bien chercher les chemins bloquer avant de lancer l'algorithme d'inférence pour limiter les calculs
merci
rbdmine
Messages postés
8
Date d'inscription
vendredi 6 avril 2007
Statut
Membre
Dernière intervention
10 avril 2007
6 avril 2007 à 15:22
6 avril 2007 à 15:22
par exmple je voudrais trouvé les noeud qui représente un puit(c à d le noeud ou le chemin est convergeant)
mamiemando
Messages postés
33077
Date d'inscription
jeudi 12 mai 2005
Statut
Modérateur
Dernière intervention
18 avril 2024
7 748
6 avril 2007 à 21:47
6 avril 2007 à 21:47
Bon comme je n'ai pas eu la joie de faire de réseau bayesien je suis repartie de ça :
https://fr.wikipedia.org/wiki/R%C3%A9seau_bay%C3%A9sien
Toi tu as un graphe G(V,E) acyclique orienté, qui représente la structure de ton modèle. Chaque prédécesseur d'un évènement (par exemple une maladie) représente une cause (par exemple un symptôme) qui a pu l'engendrer. Chaque arc l'importance qu'à cette cause sur un évènement. Chaque arc est pondéré par une probabilité.
Si j'ai bien compris tu disposes d'une base d'apprentissage qui te permet de régler les poids de ces arcs. En faisant concorder au mieux ces mesures et le résultat attendu tu es capable de régler les poids. Je suppose que c'est la que la d-distance intervient.
Donc concrètement on a un graphe, dont certains sommets sont des symptômes Vs, et les autres des maladies Vm. Les arcs vont forcément de Vs à Vm et sont pondérés entre 0 et 1. C'est bon jusque là ?
Maintenant explique moi comment tu règles ces poids et ce que tu veux faire (un exemple simple est pas de refus :p)
https://fr.wikipedia.org/wiki/R%C3%A9seau_bay%C3%A9sien
Toi tu as un graphe G(V,E) acyclique orienté, qui représente la structure de ton modèle. Chaque prédécesseur d'un évènement (par exemple une maladie) représente une cause (par exemple un symptôme) qui a pu l'engendrer. Chaque arc l'importance qu'à cette cause sur un évènement. Chaque arc est pondéré par une probabilité.
Si j'ai bien compris tu disposes d'une base d'apprentissage qui te permet de régler les poids de ces arcs. En faisant concorder au mieux ces mesures et le résultat attendu tu es capable de régler les poids. Je suppose que c'est la que la d-distance intervient.
Donc concrètement on a un graphe, dont certains sommets sont des symptômes Vs, et les autres des maladies Vm. Les arcs vont forcément de Vs à Vm et sont pondérés entre 0 et 1. C'est bon jusque là ?
Maintenant explique moi comment tu règles ces poids et ce que tu veux faire (un exemple simple est pas de refus :p)
Vous n’avez pas trouvé la réponse que vous recherchez ?
Posez votre question
rbdmine
Messages postés
8
Date d'inscription
vendredi 6 avril 2007
Statut
Membre
Dernière intervention
10 avril 2007
6 avril 2007 à 23:14
6 avril 2007 à 23:14
salut,
pas exactement ca,au fait ce n'est pas les arcs qui portent les poids mais les noeuds qui portent les probabilités conditionnelles à prioris.
pour mon cas je n'utilise pas l'apprentissage parceque les probabilités à priori sont données par l'expert du domaine donc ce n'est pas la peine de faire un apprentissage.
donc chaque noeud est associé à une table de probabilité.
maitenant en fonction des observations je voudrais localiser l'organe qui est responsable de cette observation en calculant la probabilité conditionnelle sachant cette observation en utilisant le théoreme de bayes,lois jointes et loi marginale et pour la faire il faut inférer cette observation sur tout le reseaux.mais comme je t'avais di l'inférence est NP-difficile .c'est pour je voudrais en fonction des observation détecter les noeuds qui bloquent la propagations et donc limiter les calcules en temps et en mémoire.
pour information, on dit que le chemin est bloqué entre X et Y(noeud) dans les 3 cas suivants:
1-le chemin converge vers un noeuds Z tel que Z est inconnu(c'est pas une observation)
2-le chemin diverge vers un noeuds Z tq Z est connu
3-le chemin est ensérie tq Z est connu
voila j'espere que tu peux m'aider pour faire l'algorithme.
pas exactement ca,au fait ce n'est pas les arcs qui portent les poids mais les noeuds qui portent les probabilités conditionnelles à prioris.
pour mon cas je n'utilise pas l'apprentissage parceque les probabilités à priori sont données par l'expert du domaine donc ce n'est pas la peine de faire un apprentissage.
donc chaque noeud est associé à une table de probabilité.
maitenant en fonction des observations je voudrais localiser l'organe qui est responsable de cette observation en calculant la probabilité conditionnelle sachant cette observation en utilisant le théoreme de bayes,lois jointes et loi marginale et pour la faire il faut inférer cette observation sur tout le reseaux.mais comme je t'avais di l'inférence est NP-difficile .c'est pour je voudrais en fonction des observation détecter les noeuds qui bloquent la propagations et donc limiter les calcules en temps et en mémoire.
pour information, on dit que le chemin est bloqué entre X et Y(noeud) dans les 3 cas suivants:
1-le chemin converge vers un noeuds Z tel que Z est inconnu(c'est pas une observation)
2-le chemin diverge vers un noeuds Z tq Z est connu
3-le chemin est ensérie tq Z est connu
voila j'espere que tu peux m'aider pour faire l'algorithme.
mamiemando
Messages postés
33077
Date d'inscription
jeudi 12 mai 2005
Statut
Modérateur
Dernière intervention
18 avril 2024
7 748
7 avril 2007 à 19:56
7 avril 2007 à 19:56
Mmmh le gros problème c'est que j'ai trop peu de notion en réseau bayesien pour comprendre tout. Il faudrait que tu me dises ce que signifie
1-le chemin converge vers un noeuds Z tel que Z est inconnu(c'est pas une observation)
2-le chemin diverge vers un noeuds Z tq Z est connu
3-le chemin est ensérie tq Z est connu
d'un point de vue théorie des graphes. Qu'appelles-tu un chemin qui converge/diverge, que signifie Z est connu ou un connu. Car je ne me vois hélas pas relire la théorie de Bayes :s
1-le chemin converge vers un noeuds Z tel que Z est inconnu(c'est pas une observation)
2-le chemin diverge vers un noeuds Z tq Z est connu
3-le chemin est ensérie tq Z est connu
d'un point de vue théorie des graphes. Qu'appelles-tu un chemin qui converge/diverge, que signifie Z est connu ou un connu. Car je ne me vois hélas pas relire la théorie de Bayes :s
rbdmine
Messages postés
8
Date d'inscription
vendredi 6 avril 2007
Statut
Membre
Dernière intervention
10 avril 2007
7 avril 2007 à 20:45
7 avril 2007 à 20:45
slt,
ce n'est pas un probleme que tu n'as pas de notions de reseaux bayésiens à moins que tu veux l'apprendre,je suis la pour t'aider.sinon mon probleme se pose au niveau de théorie de graphe,je veux avant inférer ,déterminer les chemin bloquées,je m'explique,
je te donne un exemple:
une alarme d'une maison est déclenché dans deux cas :soit un combriolage ou bien un tremblement de terre.
tu peux voir le reseaux sur ce lien:
http://maia.loria.fr/GTMS/Cr/cr5.html
maintenant si je n'ai pas entendu l'alarme (inconnu)donc le tremblemet de terre et le combriolage sont d-séparer (ca veut dire l'alarme a bloqué l'information de l'un à l'autre)
si j'ai entendu une alarme(donc connu) et j'ai senti le tremblement de terre donc autmatiquement je dois dire qu'il ya pas de cambriolage,donc l'information sur le tremblement de terre m'a donné une information sur le cambriolage.
voila, j'espere que j'été clair,
dans mon algorithme je dois d'abord chercher tous les chemins qui convergent vers un noeud qui n'est pas observé et tous les chemins qui divergent à partir d'un noeud observé et enfin tous les chemins qui sont en séries et qui passent pas un noeud observé.
merci
ce n'est pas un probleme que tu n'as pas de notions de reseaux bayésiens à moins que tu veux l'apprendre,je suis la pour t'aider.sinon mon probleme se pose au niveau de théorie de graphe,je veux avant inférer ,déterminer les chemin bloquées,je m'explique,
je te donne un exemple:
une alarme d'une maison est déclenché dans deux cas :soit un combriolage ou bien un tremblement de terre.
tu peux voir le reseaux sur ce lien:
http://maia.loria.fr/GTMS/Cr/cr5.html
maintenant si je n'ai pas entendu l'alarme (inconnu)donc le tremblemet de terre et le combriolage sont d-séparer (ca veut dire l'alarme a bloqué l'information de l'un à l'autre)
si j'ai entendu une alarme(donc connu) et j'ai senti le tremblement de terre donc autmatiquement je dois dire qu'il ya pas de cambriolage,donc l'information sur le tremblement de terre m'a donné une information sur le cambriolage.
voila, j'espere que j'été clair,
dans mon algorithme je dois d'abord chercher tous les chemins qui convergent vers un noeud qui n'est pas observé et tous les chemins qui divergent à partir d'un noeud observé et enfin tous les chemins qui sont en séries et qui passent pas un noeud observé.
merci
mamiemando
Messages postés
33077
Date d'inscription
jeudi 12 mai 2005
Statut
Modérateur
Dernière intervention
18 avril 2024
7 748
7 avril 2007 à 21:30
7 avril 2007 à 21:30
Ok je vois ce que tu appelles un chemin qui converge et un chemin qui diverge.
Par contre je ne comprends pas en quoi tu as besoin d'enumérer tous ces chemins. J'aimerais comprendre pourquoi tu as besoin dans ton cas d'énumérer tous les chemins (très coûteux en temps) et pas simplement de regarder les composantes connexes (peu coûteux) après suppression d'un noeud Z. En admettant que tu extraies ces chemins qu'en fais-tu ?
Dans ton exemple je ne comprends pas trop pourquoi il n'y aurait pas pu y avoir simultanément cambriolage + tremblement de terre.
Enfin si je vois bien à quoi correspond un séparateur dans un graphe j'ai plus de mal à comprendre ce qu'est un d séparateur. Et ce que tu en fais.
Même si tu ne programmes pas en C++ (et a fortiori en boost), la doc ci dessous te donnera un aperçu des algos classiques disponibles en théorie des graphes. Dans ton cas je pense qu'il faut te pencher sur le DFS (vision chemins) et de préférence sur les Connected Components Algorithms (vision composantes du graphes) :
https://www.boost.org/doc/libs/1_72_0/libs/graph/doc/table_of_contents.html
Bonne chance
Par contre je ne comprends pas en quoi tu as besoin d'enumérer tous ces chemins. J'aimerais comprendre pourquoi tu as besoin dans ton cas d'énumérer tous les chemins (très coûteux en temps) et pas simplement de regarder les composantes connexes (peu coûteux) après suppression d'un noeud Z. En admettant que tu extraies ces chemins qu'en fais-tu ?
Dans ton exemple je ne comprends pas trop pourquoi il n'y aurait pas pu y avoir simultanément cambriolage + tremblement de terre.
Enfin si je vois bien à quoi correspond un séparateur dans un graphe j'ai plus de mal à comprendre ce qu'est un d séparateur. Et ce que tu en fais.
Même si tu ne programmes pas en C++ (et a fortiori en boost), la doc ci dessous te donnera un aperçu des algos classiques disponibles en théorie des graphes. Dans ton cas je pense qu'il faut te pencher sur le DFS (vision chemins) et de préférence sur les Connected Components Algorithms (vision composantes du graphes) :
https://www.boost.org/doc/libs/1_72_0/libs/graph/doc/table_of_contents.html
Bonne chance
rbdmine
Messages postés
8
Date d'inscription
vendredi 6 avril 2007
Statut
Membre
Dernière intervention
10 avril 2007
10 avril 2007 à 11:50
10 avril 2007 à 11:50
salut mamiemando,
merci pour le lien,
pour te répondre , si je trouve tous les chemins bloqués je peux réduire les calculs d'inférence, donc s'il y a une observation sur un noeud et s'il y a un chemin bloqué à partir de ce noeud, les probabilités des noeuds qui sont apres le noeud qui bloquent l'information ne changent pas donc ca serai pas util de propager l'information sur cette partie du graphe.
donc je voudrais séparer les sous graphes qui ne sont pas influencés par l'obseravtion d'ou la limitation des calculs.
en ce qui concerne le tremblement de terre et le cambriolage, si on suit le graphe:
admettant que t'es dans ton bureau , ton voisin t'appel et te di que ton alarme s'est décleché,automatiquement, tu prends ta voiture et tu te dirige vers ta maison pour voir qu'est ce qu'il y a.en meme temps tu allume la radio de ta voiture et tu enttends dire qu'il y a un tremblement de terre dans la region ou se trouve ta maison.en réflechissant tu vas dire que c surement le tremblement de terre qui a fé que l'alarme s'est déclenché et puis tu reviens à ton travail et t'élimine la probabilité qu'il y a un cambriolage.
donc les réseaux bayésiens sont exactement ce qu'on réfléchi dans notre cerveau.
j'espere que j'été clair.
si t'as d'autres questions n'hesite pas
merci pour le lien,
pour te répondre , si je trouve tous les chemins bloqués je peux réduire les calculs d'inférence, donc s'il y a une observation sur un noeud et s'il y a un chemin bloqué à partir de ce noeud, les probabilités des noeuds qui sont apres le noeud qui bloquent l'information ne changent pas donc ca serai pas util de propager l'information sur cette partie du graphe.
donc je voudrais séparer les sous graphes qui ne sont pas influencés par l'obseravtion d'ou la limitation des calculs.
en ce qui concerne le tremblement de terre et le cambriolage, si on suit le graphe:
admettant que t'es dans ton bureau , ton voisin t'appel et te di que ton alarme s'est décleché,automatiquement, tu prends ta voiture et tu te dirige vers ta maison pour voir qu'est ce qu'il y a.en meme temps tu allume la radio de ta voiture et tu enttends dire qu'il y a un tremblement de terre dans la region ou se trouve ta maison.en réflechissant tu vas dire que c surement le tremblement de terre qui a fé que l'alarme s'est déclenché et puis tu reviens à ton travail et t'élimine la probabilité qu'il y a un cambriolage.
donc les réseaux bayésiens sont exactement ce qu'on réfléchi dans notre cerveau.
j'espere que j'été clair.
si t'as d'autres questions n'hesite pas
mamiemando
Messages postés
33077
Date d'inscription
jeudi 12 mai 2005
Statut
Modérateur
Dernière intervention
18 avril 2024
7 748
10 avril 2007 à 15:07
10 avril 2007 à 15:07
Pour le cambriolage et le tremblement de terre et le cambriolage c'est donc possible mais très peu probable donc exclu si je suis ton raisonnement.
J'ai de plus en plus l'impression que dans ton cas il n'est pas utile d'énumérer tous les chemins mais il suffit simplement de considérer les composantes "d-connexe" (je désigne par composante d-connexe les composantes qui restent connexes du graphes lorsqu'on supprime les d-séparateurs du graphe). En terme de complexité ce serait nettement plus rentable (en gros ça devient polynomial) .
Si c'est bel est bien le cas (à toi de me le dire :p) il suffirait de
1) Déterminer les composantes d-connexe étant donnée une observation (par exemple en s'appuyant sur un algo de strong_component, comme dans boost). Il faudrait que je comprenne mieux ce qu'est un d séparateur pour être plus précise, je n'ai pas très bien compris la définition.
2) Mettre à jour les composantes devant être mises à jour. Peux-tu m'expliquer comment les mises à jours s'effectuent sur un exemple simple. Selon la manière dont la mise à jour se fait il sera peut être possible de repartir sur un DFS ou un BFS.
Si tu veux que je t'aide plus il faut vraiment me définir sur un graphe comment ça marche. Quels sont les propriétés d'un sommet dit d-séparateur, comment est effectuée une mise à jour etc... Tant que je n'aurais pas compris clairement ces notions je ne pourrais pas t'aider plus :s
J'ai de plus en plus l'impression que dans ton cas il n'est pas utile d'énumérer tous les chemins mais il suffit simplement de considérer les composantes "d-connexe" (je désigne par composante d-connexe les composantes qui restent connexes du graphes lorsqu'on supprime les d-séparateurs du graphe). En terme de complexité ce serait nettement plus rentable (en gros ça devient polynomial) .
Si c'est bel est bien le cas (à toi de me le dire :p) il suffirait de
1) Déterminer les composantes d-connexe étant donnée une observation (par exemple en s'appuyant sur un algo de strong_component, comme dans boost). Il faudrait que je comprenne mieux ce qu'est un d séparateur pour être plus précise, je n'ai pas très bien compris la définition.
2) Mettre à jour les composantes devant être mises à jour. Peux-tu m'expliquer comment les mises à jours s'effectuent sur un exemple simple. Selon la manière dont la mise à jour se fait il sera peut être possible de repartir sur un DFS ou un BFS.
Si tu veux que je t'aide plus il faut vraiment me définir sur un graphe comment ça marche. Quels sont les propriétés d'un sommet dit d-séparateur, comment est effectuée une mise à jour etc... Tant que je n'aurais pas compris clairement ces notions je ne pourrais pas t'aider plus :s
Bonjour,
suppoons que j'ai deux noeud A et B, A est la cause de B, donc la flèche est orienté en direction de B. les noueds sont booléen ( Oui,non)
une probabilité margianle est associée au noeud racine qui est dans notre cas A , P(A=Oui)= 0,5 P(A=non)=0,5;
une probabilité conditionnelle est associée au noeud B , P(B=Oui/A=oui)= 0,45 P(B=Oui/A=non)= 0,56 P(B=non/A=oui)=0,55 P(B=non/A=non)=0,44
En utilisant un outil de réseaux bayésiens, et après inférence on obtient P(B=OUI)= 0,5050, P(B=non)=0,4950 ( on sait calcuer ce résultat on utilisant les lois de probabilité total et la forumules de bayes).
si on change la valeur de Probabilité margianle de A, la probabilité marginale de B change aussi , o utilisant toujours les lois de probabilité connus et applicale sur les réseaux bayésiens.
ma question maintenant est : si change la valeur de probabilité margianle de B, la valeur de probabilité marginale de A change aussi ( n'oublions pas que A est parent de B), donnons exemple suivant :
si je pose P(B=oui)= 0,7883 , P(B=non)= 0,2117 alors: j'aurais P(A=OUI)= 0,4688 P(A=OUI)=0,5312, les résultats que je vous donne sont botenue d'un outil réseau bayésien qui fait lui même l'inférence.
est-ce-que possible de m'aider sur la manière dont le calcul de probabilité est fait sachant les paramètres de réseaux bayésiens du déprat ( probabilité marginale, probabilité conditionnelle) , moi je n'arrive pas ;;;;
merci d'avance
suppoons que j'ai deux noeud A et B, A est la cause de B, donc la flèche est orienté en direction de B. les noueds sont booléen ( Oui,non)
une probabilité margianle est associée au noeud racine qui est dans notre cas A , P(A=Oui)= 0,5 P(A=non)=0,5;
une probabilité conditionnelle est associée au noeud B , P(B=Oui/A=oui)= 0,45 P(B=Oui/A=non)= 0,56 P(B=non/A=oui)=0,55 P(B=non/A=non)=0,44
En utilisant un outil de réseaux bayésiens, et après inférence on obtient P(B=OUI)= 0,5050, P(B=non)=0,4950 ( on sait calcuer ce résultat on utilisant les lois de probabilité total et la forumules de bayes).
si on change la valeur de Probabilité margianle de A, la probabilité marginale de B change aussi , o utilisant toujours les lois de probabilité connus et applicale sur les réseaux bayésiens.
ma question maintenant est : si change la valeur de probabilité margianle de B, la valeur de probabilité marginale de A change aussi ( n'oublions pas que A est parent de B), donnons exemple suivant :
si je pose P(B=oui)= 0,7883 , P(B=non)= 0,2117 alors: j'aurais P(A=OUI)= 0,4688 P(A=OUI)=0,5312, les résultats que je vous donne sont botenue d'un outil réseau bayésien qui fait lui même l'inférence.
est-ce-que possible de m'aider sur la manière dont le calcul de probabilité est fait sachant les paramètres de réseaux bayésiens du déprat ( probabilité marginale, probabilité conditionnelle) , moi je n'arrive pas ;;;;
merci d'avance
6 avril 2007 à 14:19
je t'explique.
l'inférence est jugée NP-difficile dans les réseaux trop complexe.c'est pour ca j'ai une idée de limiter les calculs de l'inférence en faisant une restriction du reseau dans la partie ou l'information circule(donc chercher les chemins bloqués).
je ne sais pas si je suis clair ou non!!
si tu peux m'aider vraiment tu me fais un plaisir
merci,