Aprendizado Supervisionado de Redes Bayesianas na Mineração de Dados

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.