Les réseaux Bayésiens (RB) font partie des méthodes d'apprentissage automatique les plus puissantes permettant de modéliser graphiquement et de manière probabiliste différentes types de systèmes complexes. Un des problèmes communs dans l'apprentissage de la structure des RB est des données de petites tailles. Les méthodes d'apprentissage ensemblistes (eg. le bootstrap ou les algorithmes génétiques...) sont des méthodes souvent utilisées pour traiter le problème de la pauvreté de données. Toutefois, les méthodes existantes ne permettent pas de comparer deux ensembles de modèles. Nous proposons une nouvelle méthode basée sur le graphe quasi-essentiel (QEG: Quasi Essential Graph) et l'utilisation d'un test multiple afin de comparer deux ensembles de RB. Le QEG permet de résumer et de visualiser graphiquement un ensemble de RB. Le test multiple permet de vérifier si les différences sont statistiquement significatives et de positionner ces différences. L'application sur des données synthétiques et expérimentales a démontré les différents intérêts de la méthode proposée dans la reconstruction des réseaux de régulation génétique et perspectivement dans d'autres applications.
Il n'y a pas encore de discussion sur ce livre
Soyez le premier à en lancer une !
Une fiction historique glaçante et inoubliable, aux confins de l’Antarctique
Découvrez les derniers trésors littéraires de l'année !
"On n'est pas dans le futurisme, mais dans un drame bourgeois ou un thriller atmosphérique"
L'auteur se glisse en reporter discret au sein de sa propre famille pour en dresser un portrait d'une humanité forte et fragile
