Apprentissage de Réseaux Bayésiens Causaux

Apprentissage de R´eseaux Bay´esiens Causaux
`a partir de donn´ees d’observation et
d’exp´erimentation
Stijn Meganck, Sam Maes, Philippe Leray
[email protected]
Laboratoire d’Informatique, Traitement de l’Information, Syst`emes.
JFRB
Universit´e de Valenciennes
18 mai Valenciennes

Introduction Apprentissage de R´eseaux Bay´esiens Algorithme Conclusions
Plan
1Introduction
2Apprentissage de R´eseaux Bay´esiens
3Algorithme
4Conclusions
Stijn Meganck, Sam Maes, Philippe Leray Apprentissage de RBC 2/17

Introduction Apprentissage de R´eseaux Bay´esiens Algorithme Conclusions
R´eseaux Bay´esiens
Mod´elisation de syst`emes
complexes
Mod`ele graphique probabiliste
Mod`ele d’ind´ependance
Markov
Loi de probabilit´e
P(V) =
X∈V
P(X|Pa(X))
Inf´erence probabiliste
P(cancer|smoker ,x−ray)
Stijn Meganck, Sam Maes, Philippe Leray Apprentissage de RBC 3/17

Introduction Apprentissage de R´eseaux Bay´esiens Algorithme Conclusions
R´eseaux Bay´esiens causaux
R´eseaux Bay´esiens o`u toute
relation entre variable
correspond `a une relation
causale [Pearl, 2000]
X→Y:Xest une cause de
Y
Inf´erence causale
Manipulation
P(cancer|do(TBC =true))
Stijn Meganck, Sam Maes, Philippe Leray Apprentissage de RBC 4/17

Introduction Apprentissage de R´eseaux Bay´esiens Algorithme Conclusions
Apprentissage de R´eseaux Bay´esiens
Structure connue
Apprentissage des param`etres
Apprentissage de structure
Bas´e sur tests d’ind´ependance conditionelle
Bas´e sur un score
Stijn Meganck, Sam Maes, Philippe Leray Apprentissage de RBC 5/17