Redes bayesianas con algoritmos basados en restricciones, scores e híbridos
aplicados al problema de clasicación
Bayesian networks with algorithms based on restrictions, scores and hybrids
applied to the classication problem
DOI: http://dx.doi.org/10.21704/ac.v80i1.1370
Autor de correspondencia: López de Castilla. C. Email: clopez@lamolina.edu.pe
© Universidad Nacional Agraria La Molina, Lima, Perú.
Forma de citar el artículo: López de Castilla. C. 2019. Redes bayesianas con algoritmos basados en restricciones,
scores e híbridos aplicados al problema de clasicación. Anales Cientícos 80 (1): 15- 25 (2019).
Carlos López de Castilla Vásquez
1
1
Universidad Nacional Agraria La Molina, Lima, Perú. Email: clopez@lamolina.edu.pe
Recepción: 24/04/2018; Aceptación: 05/06/2018
Resumen
Las redes bayesianas son grácos acíclicos dirigidos que codican las relaciones de
dependencia e independencia condicional en un conjunto de variables predictoras. En este
trabajo de investigación se presentan tres algoritmos que permiten obtener la estructura que
dene una red bayesiana. Sobre esta estructura se construyeron clasicadores, incluyendo
una variable dependiente en el gráco que tiene las clases o categorías de interés, obteniendo
un rendimiento predictivo similar en comparación con los clasicadores por redes bayesianas
tradicionales, Naive Bayes y TAN. Se presenta también el algoritmo de selección de variables
Statistically Equivalent Signature obteniendo resultados similares a los clasicadores
construidos con todas las variables predictoras.
Palabras clave: redes bayesianas; clasicador; Naive Bayes; TAN; independencia
condicional; selección de variables.
Abstract
Bayesian networks are directed acyclic graphs that code the relationships of conditional
dependence and independence in a set of predictive variables. In this research work, three
algorithms that allow to obtain the structure that denes a bayesian network are presented.
Classiers were built on this structure, including a dependent variable in the graph that has
the classes or categories of interest, obtaining a similar predictive performance compared
to the classiers by traditional bayesian networks, Naive Bayes and TAN. The Statistically
Equivalent Signature variable selection algorithm is also presented, obtaining similar results
to the classiers constructed with all the predictive variables.
Keywords: bayesian networks; classication; Naive Bayes; TAN; conditional independence;
variable selection.
Análes Cientícos
ISSN 2519-7398 (Versión electrónica)
Website: http://revistas.lamolina.edu.pe/index.php/acu/index
Anales Cientícos 80 (1): 15- 25 (2019)
Redes bayesianas con algoritmos basados en restricciones, scores e híbridos aplicados al problema de clasicación
16
Enero - Junio 2019
1. Introducción
En muchas áreas de las ciencias, es de
interés realizar el proceso de clasicación
de un grupo de observaciones, descritas
por un conjunto de variables predictoras
en diferentes categorías denidas, por una
variable respuesta . Uno de los clasicadores
bayesianos más populares es Naive Bayes
gracias a su simplicidad, eciencia y bajo
error de clasicación (Duda et al., 1973),
(Taheri et al., 2014). Otro clasicador
bayesiano, basado en el algoritmo de Chow
and Liu, es llamado Tree Augmented Naive
Bayes, TAN, (Friedman et al., 1997) que
considera relaciones de dependencia entre
una variable predictora y, a lo sumo, otra.
Ambos clasicadores tienen, en términos
generales, un buen desempeño predictivo.
Una de las ventajas de usar clasicadores
bayesianos es la posibilidad de poder
observar de manera sencilla las relaciones
de dependencia e independencia condicional
que existen entre las variables predictoras
(Friedman et al., 1997) a diferencia de
aquellos clasicadores, como las redes
neuronales, que utilizan algoritmos
complejos que son difíciles de entender e
interpretar. A pesar de contar en la actualidad
con muchos modelos que permiten realizar
el proceso de clasicación, estos imponen
algunas restricciones sobre el conjunto de
variables predictoras, dejando de lado las
relaciones naturales que existen entre ellas y
que pueden ser aprovechadas para mejorar el
comportamiento predictivo del clasicador.
En este trabajo de investigación, se
presentan tres algoritmos que permiten
obtener la estructura de dependencia e
independencia condicional entre las variables
predictoras, necesaria para la posterior
construcción del clasicador. Además, se
presenta el algoritmo Statistically Equivalent
Signature, SES, como un método de
selección de variables predictoras inspirado
en los principios del algoritmo basado en
restricciones (Tsamardinos et al., 2013)
que permite obtener grupos de variables
predictoras con comportamiento predictivo
equivalente.
Esta investigación tiene por objetivo
evaluar la precisión de los clasicadores
por redes bayesianas obtenidos con los
algoritmos basados en restricciones,
scores e híbridos, en comparación con los
clasicadores tradicionales Naive Bayes
y TAN. Para el proceso de selección de
variables, se usa el algoritmo Statiscally
Equivalent Signatures, comparando el poder
predictivo de los clasicadores obtenidos
antes y después de su aplicación.
2. Materiales y métodos
Tipo de investigación
El trabajo de investigación es de naturaleza
cuantitativa, predictiva y correlacional.
Diseño de la investigación
El diseño es no experimental y de corte
transversal, ya que los conjuntos de datos
corresponden a un determinado espacio y
tiempo.
Población y muestra
Los conjuntos de datos que se muestran en la
Tabla 1 fueron tomados del repositorio UCI
Machine Learning (Dheeru y Karra, 2017) y
son utilizados frecuentemente para comparar
clasicadores por redes bayesianas.
Tabla 1: Conjuntos de datos
Nombre Variables Categorías Tipo
1 Australian 14 2
Cuantitativas
y cualitativas
2 Breast 9 2 Cualitativas
3 Corral 6 2 Cualitativas
4 Diabetes 8 2 Cuantitativas
5 German 20 2
Cuantitativas
y cualitativas
6 Glass 9 6 Cuantitativas
7 Heart 13 2
Cuantitativas
y cualitativas
8 Hepatitis 19 2
Cuantitativas
y cualitativas
9 Iris 4 3 Cuantitativas
10 Vehicle 18 4 Cuantitativas
11 Vote 16 2 Cualitativas
Metodología aplicada
Redes bayesianas
Las redes bayesianas son una clase de
modelos grácos que permiten una
17
López de Castilla, C. / Anales Cientícos 80 (1): 15- 25 (2019)
Enero - Junio 2019
representación concisa de la estructura
probabilística de datos multivariantes
utilizando grácos. Las redes bayesianas
están formadas por lo siguiente:
• Un conjunto de variables aleatorias
X={X
1
,X
2
,…,X
p
} que describen las
vaiables de interés. La distribución de
probabilidad conjunta de X se llama la
distribución global, mientras que las que
se asociaron con cada X
i
ϵ X se llaman
distribuciones locales.
• Un gráco acíclico dirigido, GAD,
denotado por G=(V,A). Cada nodo υ
ϵ
V está asociado con una variable X
i.
Los
arcos dirigidos a ϵ A, que los conectan
representan dependencias probabilísticas
directas. Si no existe un arco que conecta
dos nodos de las correspondientes
variables entonces son independientes o
condicionalmente independientes dado
un subconjunto de las variables restantes.
Una red bayesiana permite la
representación de la distribución de
probabilidad conjunta de las variables
aleatorias en X como el producto de las
distribuciones locales asociadas con cada
variable X
i.
. Lo anterior es una aplicación
directa de la regla de la cadena:
Pr(X)=∏_
p
(i=1)
Pr(X
i
|Π(X
i
) (1)
donde Π
Xi
es el conjunto llamado los padres
de X
i
.
Independencia condicional y separación
gráca
Las relaciones directas e indirectas entre
dos variables se pueden obtener desde el
GAD comprobando si están conectadas de
alguna manera. Si las variables dependen
directamente entre sí, habrá un solo arco
que conecta sus nodos. Si la dependencia
es indirecta, habrá dos o más arcos que
pasan a través de los nodos que median la
asociación. En general, dos conjuntos de
variables X y Y son independientes dado un
tercer conjunto de variables Z si no existe un
conjunto de arcos que los conecta que no esté
bloqueado por las variables condicionantes.
En otras palabras, se dice que X y Y están d
-separados por Z.
Figura 1: Red bayesiana
El manto de Markov
El manto de Markov (Pearl, 1988) representa
el conjunto de nodos que d -separan
completamente un nodo especico del resto
de nodos en el gráco. En general, el manto
de Markov de un nodo A es el conjunto
formado por los padres de A, los hijos de A
y todos los demás nodos que comparten un
hijo con A. Si el nodo A está en el manto de
Markov de B , entonces B está en el manto
de Markov de A.
Estimación de una red bayesiana
La estimación de una red bayesiana se
realiza como un proceso de dos pasos:
1. La estimación de la estructura del GAD.
2. La estimación de los parámetros de las
distribuciones locales denidas por el
GAD.
Sea D un conjunto de datos y B=(G,θ)
una red bayesiana, donde θ denota los
parámetros de la distribución global de X.
El aprendizaje de la red bayesiana se puede
formalizar como:
Pr(B│D)=Pr(G,θ│D)=Pr(G|D)Pr(θ|G,D) (2)
est estruct est param”
La descomposición de Pr(G,θ│D) reeja
los dos pasos descritos anteriormente. La
estimación de la estructura se puede realizar
(2)
Redes bayesianas con algoritmos basados en restricciones, scores e híbridos aplicados al problema de clasicación
18
Enero - Junio 2019
en la práctica por la búsqueda de G que
maximiza:
(3)
La elección más común para Pr(G) es
una a priori no informativa sobre el espacio
de los posibles GAD, asignando la misma
probabilidad a cada estructura. El cálculo
de Pr(D|G) es problemático desde el punto
de vista computacional y algebraico.
Como resultado, se han desarrollado
dos alternativas al uso de Pr(D|G) en la
estimación de la estructura. La primera de
ellas es el uso del criterio de información
bayesiano BIC:
(4)
La segunda alternativa es utilizar
pruebas de independencia condicional de
información mutua:
(5)
Estimación de la estructura
Algoritmos basados en restricciones
Los algoritmos basados en restricciones se
basan en el trabajo de Pearl, en los mapas y
su aplicación a los modelos grácos causales.
Su algoritmo de Causalidad Inductiva
proporciona un marco para la estimación
de la estructura de un GAD usando pruebas
de independencia condicional. El algoritmo
Grow-Shrink, (Margaritis, 2003) permite
obtener la estructura de la red bayesiana
identicando en el primer paso el manto de
Markov de cada nodo, usando las pruebas
de independencia condicional. Los pasos se
presentan a continuación:
Algoritmo: Grow-Shrink
1. Para cada nodo A en V se obtiene su
manto de Markov.
2. Para cada par de nodos A y B en se busca
el conjunto SA BV tales que A y B
son independientes dado S
AB
donde A,B
SA
B
. Si no existe tal conjunto, poner un
arco no dirigido entre A y B.
3. Para cada par de nodos no adyacentes A
y B con un vecino común C, comprobar
si C S
AB
. Si esto no es cierto, tomar la
dirección de los arcos A -C y C - B como
A → C y C ← B.
4. Establecer la dirección de los arcos
que todavía no se encuentran dirigidos
aplicando de forma recursiva las dos
reglas siguientes:
a. Si A es adyacente a B y hay un camino
estrictamente dirigido desde A hacia
B entonces, establecer la dirección de
A – B como A → B.
b. Si A y B no son adyacentes pero A →
C y C – B, entonces C → B.
5. Devolver el GAD o GAPD resultante.
Algoritmos basados en scores
Los algoritmos basados en scores representan
la aplicación de técnicas de optimización
heurística al problema de estimación de la
estructura de la red bayesiana. A cada red
candidata se asigna un puntaje de acuerdo
a su estructura, el cual reeja su grado de
bondad de ajuste. Algunos ejemplos de
esta clase de algoritmos son: Hill-Climbing
que explora el espacio de búsqueda a partir
de la estructura de la red y añade, borra o
invierte un arco a la vez hasta que el score
ya no se pueda, Genetic algorithms que
imitan la evolución natural a través de la
selección iterativa de los modelos más
aptos y Simulated annealing que realiza
una búsqueda local aceptando cambios
que incrementan o disminuyen el score de
la red con una probabilidad inversamente
proporcional a la disminución del score.
Los pasos del algoritmo Hill-Climbing se
presentan a continuación.
19
López de Castilla, C. / Anales Cientícos 80 (1): 15- 25 (2019)
Enero - Junio 2019
Algoritmo: Hill-Climbing
1. Elija una estructura de red G sobre V, no
necesariamente vacía.
2. Calcular el score de G denotado por
Score
G
= Score(G).
3. Sea maxScore = Score
G
.
4. Repita los siguientes pasos conforme
maxScore aumenta:
a. Para cada posible arco agregado,
eliminado o invertido que no resulte en
una red cíclica:
1. Calcular el score de la red
modicada G*Score
G*
=
Score(G*).
2. Si Score
G*
> Score
G
, tomar G =
G* y Score
G
= Score
G*
.
b. Actualizar maxScore con el nuevo
valor de Score
G
.
5. Devolver el GAD G.
Algoritmos híbridos
Los algoritmos híbridos combinan
algoritmos basados en restricciones y scores
para compensar las respectivas debilidades
de cada método y así producir estructuras
más conables en una amplia variedad
de situaciones. Los dos miembros más
conocidos de esta familia son el algoritmo
Sparse Candidate, SC, (Friedman et al.,
1999) y el algoritmo Max-Min Hill-
Climbing, MMHC, (Tsamardinos et al.,
2006). El algoritmo MMHC se ilustra a
continuación.
Algoritmo: Max-Min Hill-Climbing
1. Elija una estructura de red G sobre V, no
necesariamente vacía.
2. Realice los siguientes pasos:
a. Fase de restricción: seleccionar un
conjunto C
i
V de los padres e
hijos candidatos para cada nodo X
i
V.
b. Fase de maximización: usar el
algoritmo Hill-Climbing para
encontrar la estructura de la red G
* que maximiza Score(G*) entre las
redes en las que los padre o hijos de
cada nodo X
i
se encuentren incluidos
en el correspondiente conjunto C
i
.
3. Devolver el GAD G.
Estimación de parámetros
Una vez que la estructura de la red bayesiana
se ha obtenido a partir de la data, la tarea
de estimación de los parámetros de la
distribución global se simplica en gran
medida por la descomposición en las
distribuciones locales. Dos enfoques son
comunes en la literatura: la estimación
de máxima verosimilitud y la estimación
bayesiana. Para las redes bayesianas
discretas los parámetros se estiman
usando las probabilidades condicionales
en las distribuciones locales. Estos
parámetros pueden ser estimados con las
correspondientes frecuencias empíricas en
el conjunto de datos. A pesar de que este
enfoque parece ser una buena aproximación,
hay que tomar en cuenta que muchas veces
el conjunto de datos no abarca todas las
posibles combinaciones de los valores de las
variables predictoras, por lo que este tipo de
estimación puede producir probabilidades
iguales a cero. Como alternativa, se pueden
estimar las probabilidades condicionales en
un escenario bayesiano. En el caso de las
redes bayesianas discretas se asume una
muestra multinomial, X
i
Xi
~M(θ
Xi
Xi
),
donde θ
Xi
Xi
representa las probabilidades
condicionales π
ijk
=Pr(X
i
=k|Π
Xi
=j) Si se
considera una distribución a priori conjugada
Dirichlet, θ
Xi
Xi
~D(α
ijk
),, se obtiene una
distribución posterior D(α
ijk
+n
ijk
).
Clasicadores por redes bayesianas
Las redes bayesianas son particularmente
útiles en el proceso de clasicación
supervisada ya que permiten simplicar
la distribución conjunta de las variables
predictoras usando distribuciones locales
con una estructura más sencilla, a partir
de las relaciones de dependencia e
independencia condicional existentes entre
las variables. Las redes bayesianas permiten
representar la estructura probabilística de las
variables predictoras que se puede utilizar
para predecir la clase de pertenencia de cada
observación usando el teorema de Bayes
(Nagarajan et al., 2013).
Naive Bayes
Naive Bayes y sus variantes (Martínez et al.,
2016), se encuentran entre los algoritmos
más conocidos para construir clasicadores
Redes bayesianas con algoritmos basados en restricciones, scores e híbridos aplicados al problema de clasicación
20
Enero - Junio 2019
de documentos de texto, clasicación de
galaxias y reconocimiento de emociones. A
pesar de su simplicidad, es comparable con
clasicadores sosticados como las redes
neuronales y los árboles de decisión, ya que
posee alta precisión y velocidad cuando es
aplicada a conjuntos grandes de datos. El
clasicador Naive Bayes fue popularizado
por Duda et al., 1973 gracias a su simplicidad,
eciencia y bajo error de clasicación. Este
clasicador supone que todas las variables
son condicionalmente independientes dado
el valor de la variable de clase. La estructura
de este clasicador puede representarse
usando una red bayesiana, tal como se
muestra en la Figura 2.
Figura 2: Clasicador Naive Bayes para la
data diabetes
Tree Augmented Network
El clasicador Tree Augmented Network,
TAN, fue propuesto por Friedman et al. (1997)
como una extensión de Naive Bayes que
mantiene su estructura básica. Para mejorar
el comportamiento del clasicador, propuso
aumentar la estructura de Naive Bayes con
arcos entre las variables predictoras, cuando
estos fueran necesarios, desechando así el
supuesto de independencia. Estas estructuras
son llamadas redes aumentadas Naive
Bayes y estos arcos, arcos aumentados. En
una estructura aumentada, un arco desde
X
i
hacia X
j
implica que la inuencia de
X
i
en la asignación de la variable de clase
Y también depende del valor de X
i
. El
propósito está en encontrar una red Naive
Bayes de árbol aumentado, TAN, en la que
la variable de clase no tenga padres y las
variables predictoras tengan como padres a
la variable de clase y, a lo más, alguna otra
variable, tal como se muestra en la Figura
3. El procedimiento para obtener estos
arcos está basado en el algoritmo de Chow
y Liu (1968) para estimar las relaciones de
dependencia entre un conjunto de variables
usando una estructura de árbol.
Figura 3: Clasicador TAN para la data
diabetes
Proceso de discretización Chi-Merge
El algoritmo de discretización ChiMerge
(Kerber, 1992) realiza un proceso de fusión
de abajo hacia adelante, donde los intervalos
adyacentes se juntan continuamente hasta
que se cumple cierta condición de parada. Se
ordenan los datos a discretizar y se considera
que cada uno de ellos conforma un intervalo
diferente. El proceso de fusión contiene dos
pasos: (1) calcular el valor del estadístico de
prueba χ
2
de independencia para cada par de
intervalos adyacentes y (2) fusionar el par
de intervalos adyacentes con el valor χ
2
más
bajo. El proceso continúa hasta que todos
los pares de intervalos tienen valores χ
2
que
exceden cierto umbral predenido; es decir,
hasta que todos los intervalos adyacentes
se consideren signicativamente diferentes
por la prueba de independencia. El valor
del umbral se determina seleccionando un
nivel de signicación y calculando luego el
percentil correspondiente a la distribución
21
López de Castilla, C. / Anales Cientícos 80 (1): 15- 25 (2019)
Enero - Junio 2019
chi-cuadrado con k - 1 grados de libertad.
La fórmula para calcular el estadístico de
prueba χ
2
es:
(6)
Algoritmo SES para selección de variables
predictoras
El proceso de selección de variables es
una de las tareas fundamentales en el área
del machine learning. En general, se busca
identicar un subconjunto de variables
predictoras que son relevantes con respecto
a una tarea especíca; por ejemplo, en
regresión y clasicación se busca seleccionar
y retener el subconjunto de variables
predictoras con el más alto poder predictivo.
Se han desarrollado algoritmos que generan
múltiples conjuntos de variables equivalentes
(Huang et al., 2014). El algoritmo Statistically
Equivalent Signature, SES, (Tsamardinos
et al., 2013) permite identicar múltiples
subconjuntos de variables con rendimientos
estadísticamente equivalentes. De esta
forma, SES se presenta como una extensión
de los métodos tradicionales de selección de
variables predictoras.
Suponga que X es una variable predictora y
W un subconjunto de variables predictoras.
Se desea probar si Y es independiente de X
dado W comparando el modelo de regresión
logística multinomial que incluye como
predictores a X y W, con el modelo de
regresión logística multinomial alternativo
que solo incluye a W. Cuando el modelo
completo muestra una mejora signicativa
en comparación con el modelo alternativo,
entonces se puede concluir que las variables
X y Y se encuentran relacionadas dado .
La prueba de independencia condicional
basada en la regresión logística multinomial
se plantea como una prueba de comparación
entre el logaritmo de la función de
verosimilitud del modelo completo, MC, y
el logaritmo de la función de verosimilitud
del modelo alternativo, MA. El estadístico
de prueba:
D=2(log L
MC
-L
MA
)~χ
1
2
(7)
3. Resultados y discusión
Etapa de preprocesamiento
A cada conjunto de datos se le aplicó una
etapa inicial de preprocesamiento que
consta de dos procesos. El primero, elimina
los valores perdidos antes de aplicar los
algoritmos propuestos. El segundo, consiste
en discretizar los valores correspondientes
a las variables predictoras cuantitativas
usando el algoritmo Chi-Merge, disponible
en la librería dprep, dentro del software
estadístico R.
Etapa de estimación de la estructura de
red
En la segunda etapa se realizó el proceso
de estimación de la estructura presente
en las variables predictoras, usando los
algoritmos propuestos. El algoritmo
basado en restricciones utiliza la prueba de
independencia condicional de información
mutua, mientras que el algoritmo basado
en scores e híbrido usa el criterio de
información bayesiano BIC. En esta etapa
se aplicó también el proceso de selección de
variables SES para construir la estructura,
usando una menor cantidad de variables
predictoras. De esta forma, es posible
comparar el rendimiento predictivo de los
clasicadores construidos con todas las
variables predictoras y los clasicadores
construidos con las variables predictoras
seleccionadas por el algoritmo SES.
Etapa de estimación del error de
clasicación
En la tercera etapa se realizó el proceso
de validación cruzada 10 para calcular la
precisión del clasicador usando la tasa de
elementos correctamente clasicados. Los
pasos a seguir son los siguientes:
1. Se divide aleatoriamente el conjunto de
datos en 10 partes.
2. Se realiza el proceso de estimación de
parámetros usando 9 de estas partes
como muestra de entrenamiento y
evaluando el clasicador con la parte
restante, llamada muestra de prueba,
calculando la proporción de elementos
correctamente clasicados.
3. Se repite el procedimiento anterior hasta
que cada una de las 10 partes haya sido
Redes bayesianas con algoritmos basados en restricciones, scores e híbridos aplicados al problema de clasicación
22
Enero - Junio 2019
utilizada como muestra de prueba.
Para efectos de evaluar la precisión
del estimador, se repite el proceso de
validación cruzada 20 veces. Luego, se
calcula un promedio de las proporciones de
observaciones correctamente clasicadas
obtenidas en cada repetición. Se usó la
librería bnlearn (Denis y Scutari, 2014)
dentro del software estadístico R que ofrece
una amplia variedad de algoritmos para la
estimación de la estructura, estimación de
parámetros y técnicas de inferencia en redes
bayesianas.
Clasicadores con todas las variables
predictoras
La Tabla 2 muestra la tasa de elementos
correctamente clasicados usando los
clasicadores bayesianos Naive Bayes,
TAN y los obtenidos con los algoritmos
propuestos, usando todas las variables
predictoras de cada conjunto de datos.
Tabla 2. Tasa de elementos correctamente clasicados antes de aplicar el algoritmo SES
Nombre Naive Bayes TAN Restricciones Scores Híbridos
1 Australian 0,894 0,816 0,895 0,896 0,897
2 Breast 0,976 0,962 0,973 0,966 0,973
3 Corral 0,865 0,995 0,829 0,865 0,865
4 Diabetes 0,843 0,749 0,836 0,833 0,841
5 German 0,924 0,674 0,919 0,908 0,908
6 Glass 0,783 0,730 0,772 0,760 0,772
7 Heart 0,869 0,674 0,860 0,838 0,863
8 Hepatitis 0,943 0,957 0,947 0,947 0,948
9 Iris 0,960 0,957 0,939 0,952 0,961
10 Vehicle 0,694 0,760 0,723 0,785 0,723
11 Vote 0,915 0,957 0,941 0,950 0,922
Tabla 3: Variables seleccionadas con el
algoritmo SES
N Nombre Variables
Algoritmo
SES
1 Australian 14 8
2 Breast 9 4
3 Corral 6 6
4 Diabetes 8 5
5 German 20 4
6 Glass 9 3
7 Heart 13 6
8 Hepatitis 19 3
9 Iris 4 2
10 Vehicle 18 13
11 Vote 16 3
La Tabla 4 muestra la tasa de elementos
correctamente clasicados para Naive
Bayes, TAN y los clasicadores obtenidos
con los algoritmos propuestos, previo
proceso de selección de variables.
Clasicadores con las variables
predictoras seleccionadas por SES
En esta sección se construyen los
clasicadores propuestos usando las
variables predictoras seleccionadas por el
algoritmo Statistically Equivalent Signature.
En la Tabla 3 se muestra cada conjunto
de datos, el número total de variables
predictoras y las que fueron seleccionadas
luego de la aplicación del algoritmo SES.
Comparación entre los clasicadores
antes y después de aplicar el algoritmo
SES
En esta sección, se comparan los
clasicadores construidos con todas las
variables predictoras y los clasicadores
obtenidos luego de aplicar el algoritmo de
selección de variables SES. Se consideran
los tres algoritmos propuestos para la
construcción de la estructura presente entre
las variables predictoras. Los resultados
obtenidos en las secciones anteriores se
resumen en la Tabla 5.
23
López de Castilla, C. / Anales Cientícos 80 (1): 15- 25 (2019)
Enero - Junio 2019
Tabla 4: Tasa de elementos correctamente clasicados luego de aplicar el algoritmo SES
Nombre Naive Bayes TAN Restricciones Scores Híbridos
1 Australian 0,898 0,802 0,860 0,896 0,896
2 Breast 0,976 0,948 0,971 0,964 0,976
3 Corral 0,865 0,995 0,829 0,865 0,865
4 Diabetes 0,848 0,751 0,832 0,847 0,847
5 German 0,925 0,833 0,899 0,923 0,923
6 Glass 0,721 0,685 0,677 0,716 0,716
7 Heart 0,866 0,774 0,846 0,853 0,868
8 Hepatitis 0,916 0,938 0,921 0,916 0,916
9 Iris 0,972 0,971 0,971 0,971 0,971
10 Vehicle 0,715 0,749 0,743 0,748 0,734
11 Vote 0,962 0,961 0,960 0,960 0,960
Tabla 5: Tasa de elementos correctamente clasicados antes y después de aplicar el
algoritmo SES
Nombre
Restricciones Scores Híbridos
Sin SES Con SES Sin SES Con SES Sin SES Con SES
1 Australian 0,895 0,860 0,896 0,896 0,897 0,896
2 Breast 0,973 0,971 0,966 0,964 0,973 0,976
3 Corral 0,829 0,829 0,865 0,865 0,865 0,865
4 Diabetes 0,836 0,832 0,833 0,847 0,841 0,847
5 German 0,919 0,899 0,908 0,923 0,908 0,923
6 Glass 0,772 0,677 0,760 0,716 0,772 0,716
7 Heart 0,860 0,846 0,838 0,853 0,863 0,868
8 Hepatitis 0,947 0,921 0,947 0,916 0,948 0,916
9 Iris 0,939 0,971 0,952 0,971 0,961 0,971
10 Vehicle 0,723 0,743 0,785 0,748 0,723 0,734
11 Vote 0,941 0,960 0,950 0,960 0,922 0,960
4. Conclusiones
Los clasicadores por redes bayesianas
construidos con los algoritmos basados en
restricciones, scores e híbridos presentan
un buen comportamiento predictivo, según
los valores de la Tabla 3. Al ser comparados
con los clasicadores tradicionales, se
obtuvieron tasas de elementos correctamente
clasicados muy cercanos a los obtenidos
con Naive Bayes y ligeramente superiores
en el caso de TAN. Sin embargo, los
clasicadores obtenidos tienen la ventaja
de estar construidos sobre estructuras que
representan las relaciones existentes entre
las variables predictoras y en este caso los
clasicadores propuestos tienen, en términos
generales, un mejor comportamiento
predictivo que TAN. El algoritmo basado en
restricciones tiene la desventaja de obtener
estructuras donde algunos de los arcos
podrían no estar dirigidos. Lo anterior supone
la tarea previa de decidir la dirección de los
arcos antes de construir los clasicadores.
Sin embargo, la elección es arbitraria y
no determina cambios importantes ni en
las medidas de score calculadas sobre la
estructura obtenida, ni sobre la tasa de
elementos correctamente clasicados. El
esfuerzo computacional requerido por
los algoritmos propuestos para obtener la
estructura entre variables predictoras, y
Redes bayesianas con algoritmos basados en restricciones, scores e híbridos aplicados al problema de clasicación
24
Enero - Junio 2019
posterior construcción del clasicador, es
ligeramente mayor al que se requiere con los
clasicadores tradicionales Naive Bayes y
TAN. Las librerías bnlearn, dprep y MXM
no presentaron inconveniente alguno al
trabajar con los conjuntos de datos usados
en el presente trabajo de investigación.
El algoritmo de selección de variables
Statistically Equivalent Signatures, utilizado
antes de la aplicación de los algoritmos de
estimación de la estructura, permitió obtener
clasicadores sobre una menor cantidad de
variables predictoras. Sin embargo, no se
obtiene una diferencia importante en la tasa
de elementos correctamente clasicados
en comparación con los clasicadores
construidos con todas las variables
predictoras, según los valores de la Tabla 5.
Por otro lado, elegir las variables predictoras
a utilizar en una etapa inicial permite un
menor gasto computacional al momento de
aplicar los algoritmos propuestos.
5. Recomendaciones
Los clasicadores usados en el presente
trabajo de investigación requieren una etapa
inicial de discretización de las variables
cuantitativas continuas para llevar a cabo
el proceso de estimación de la estructura,
a partir de los algoritmos propuestos.
Sin embargo, esto puede llevarnos a una
inevitable pérdida de información por lo
que es importante considerar metodologías
que permitan trabajar con ambos tipos de
variables.
Es posible usar las redes bayesianas
gaussianas para los conjuntos de datos que
tienen solamente variables cuantitativas
continuas. En este tipo de redes, se asume
que la distribución global es normal
multivariada y que cada distribución local
se puede expresar como un modelo lineal
gaussiano clásico de regresión donde el
nodo es la variable respuesta y sus padres
son las variables explicativas.
Las redes bayesianas mixtas permiten
trabajar con variables discretas y continuas,
pudiendo utilizar casi cualquier modelo de
probabilidad para las distribuciones locales
dentro de lo razonable. Desafortunadamente,
esta mayor exibilidad hace que la red
bayesiana sea más compleja. No existe
en R alguna librería que permita manejar
este tipo de redes bayesianas por lo que el
proceso de estimación de la estructura y de
los parámetros requieren de un esfuerzo de
programación por parte del usuario.
6. Literatura citada
Chow, C.; Liu, C. 1968. Aproximación
de distribuciones de probabilidad
discretas con árboles de dependencia.
Transacciones IEEE sobre teoría de la
información. 14 (3): 462-467.
Denis, J.; Scutari, M. 2014. Réseaux bayésiens
avec r: Élaboration, manipulation et
utilisation en modélisation appliquée.
Duda, R.O.; Hart, P.E.; Stork, D.G. et al.
1973. Pattern classication, volume 2.
Wiley New York.
Dheeru, D.; y Karra, E. 2017. UCI machine
learning repository.
Friedman, N.; Geiger, D.; Goldszmidt, M.
1997. Bayesian network classiers.
Machine learning, 29 (2-3): 131–163.
Friedman, N.; Nachman, I.; Peér, D. 1999.
Learning bayesian network structure
from massive datasets: the «sparse
candidate «algorithm. In: Proceedings of
the Fifteenth conference on Uncertainty
in articial intelligence. Morgan
Kaufmann Publishers Inc. 206-215 p.
Huang, G.T.; Tsamardinos, I.; Raghu, V.;
Kaminski, N.; Benos, P.V. 2014. T-recs:
stable selection of dynamically formed
groups of features with application to
prediction of clinical outcomes. In:
Pacic Symposium on Biocomputing
Co-Chairs, World Scientic. 431-442 p.
Kerber, R. 1992. Chimerge: Discretization of
numeric attributes. In Proceedings of the
tenth national conference on Articial
intelligence, Aaai Press. 123-128 p.
Margaritis, D. 2003. Learning bayesian
network model structure from data.
Technical report, Carnegie-Mellon
Univ. Pittsburgh Pa School of Computer
Science.
Martınez, A.M.; Webb, G.I.; Chen, S.; Zaidi,
N.A. 2016. Scalable learning of bayesian
network classiers. Journal of Machine
Learning Research, 17 (44): 1–35.
Nagarajan, R.; Scutari, M.; Lèbre, S. 2013.
Bayesian networks in r. Springer, 122:
25
López de Castilla, C. / Anales Cientícos 80 (1): 15- 25 (2019)
Enero - Junio 2019
125–127.
Pearl, J. 1988. Probabilistic reasoning
in intelligent systems: Networks of
plausible inference. Morgan Kauman
Pub.
Taheri, S.; Yearwood, J.; Mammadov, M.;
Seifollahi, S. 2014. Attribute weighted
naive bayes classier using a local
optimization. Neural Computing and
Applications 24 (5): 995–1002.
Tsamardinos, I.; Brown, L.E.; Aliferis, C
F. 2006. The max-min hill-climbing
bayesian network structure learning
algorithm. Machine learning, 65 (1):
31–78.
Tsamardinos, I.; Lagani, V.; Pappas,
D. 2013. Discovering multiple,
equivalent biomarker signatures.
In: 7th Conference of the Hellenic
Society for Computational Biology and
Bioinformatics (HSCBB12).