Um método para implementar redes bayesianas baseadas em nós ranqueados

João Batista Nunes Bezerra

ORCID iD Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB), Campus Monteiro Brasil

Renan Willamy Bezerra Barbosa

Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB), Campus Monteiro Brasil

Mirko Perkusich

ORCID iD Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB), Campus Monteiro

Resumo

Recentemente, redes Bayesianas estão se tornando populares para auxiliar na tomada de decisões. No entanto, ainda há desafios para sua aplicação prática em problemas de larga escala. Um dos desafios refere-se à definição das funções de probabilidade. Na literatura, utiliza-se o conceito de nós ranqueados baseado em distribuição Normal truncada para simplificar a definição de funções de probabilidade a partir do conhecimento de especialistas. Por outro lado, na literatura, não há detalhes de uma solução completa para nós ranqueados. Atualmente, esta solução está disponível apenas em uma ferramenta comercial. A contribuição principal deste trabalho refere-se à demonstração detalhada de um método para definição de funções de probabilidade para nós ranqueados, apresentando os passos necessários para misturar distribuições Normais truncadas e converter a distribuição resultante para uma tabela de probabilidade dos nós. Para validação, os resultados da nossa solução foram comparados com a solução disponível no mercado, sendo equivalentes, dentro de uma margem de erro de 5%. De acordo com os testes realizados, a solução proposta alcançou performance melhor que a solução comercial existente.

Palavras-chave


Distribuição Normal truncada; Modelo probabilístico; Nós ranqueados; Rede bayesiana; Tabela de probabilidade dos nós


Texto completo:

Referências


DE MELO, A. C. V.; SANCHEZ, A. J. Software maintenance project delays prediction using Bayesian Networks. Expert Systems with Applications: An International Journal, v. 34, n. 2, p. 908-919, 2008.

DÍEZ, F. J. Parameter adjustment in Bayes networks: the generalized noisy or-gate. In: NINTH CONFERENCE ON UNCERTAINTY IN ARTIFICIAL INTELLIGENCE. Proceedings... D. Heckerman and A. Mamdani, eds, p. 99-105, Washington D.C, 1993.

FENTON, N. et al. Making Resource Decisions for Software Projects, In: SOFTWARE ENGINEERING, 2004., Proceedings... 26., INTERNATIONAL CONFERENCE ON (ICSE2004). IEEE , 2004, p. 397-406.

FENTON, N.; NEIL, M. Risk Assessment and Decision Analysis with Bayesian Networks. Florida: CRC Press, 2012.

FENTON, N.; NEIL, M.; CABALLERO J. Using Ranked Nodes to Model Qualitative Judgements in Bayesian Networks. IEEE Transactions on Knowledge and Data Engineering, v. 19, n. 10, p. 1420-1432, 2007.

FENTON, N. et al. Predicting Software Defects in Varying Development Lifecycles using Bayesian Nets, Information & Software Technology, v. 9, n. 1, p. 32-43, 2007.

FRIEDMAN, N.; GEIGER, D.; GOLDZSMITH, M. Bayesian network classifiers. Machine Learning, v. 20, p. 131-165, 1997.

HECKERMAN, D. A tutorial on learning with Bayesian networks. Report MSR-TR-95-06, Microsoft Advanced Technology Division, Microsoft Corporation, Seattle, Washington, 1995.

HUANG, K.; HENRION, M. Efficient Search-Based Inference for Noisy-OR Belief Networks. In: TWELFTH CONFERENCE ON UNCERTAINTY IN ARTIFICIAL INTELLIGENCE. Proceedings... Portland, OR, p. 325-331, 1996.

LAITILA, P. Improving the Use of Ranked Nodes in the Elicitation of Conditional Probabilities for Bayesian Networks. Dissertação (Mestrado em Ciências em Tecnologia no Programa de Engenharia, Física e Matemática) – Aalto University, Espoo, Finlândia, 2013.

LEE, E.; PARK. Y.; SHIN, J. G. Large engineering project risk management using a Bayesian belief network. Journal of Expert Systems and Applications: An International Journal, v. 36, n. 3, p. 5880-5887, 2009.

NEIL, M.; MALCOLM B.; SHAW R. Modelling an Air Traffic Control Environment Using Bayesian Belief Networks. In: INTERNATIONAL SYSTEM SAFETY CONFERENCE, 21. Proceedings... Ottawa, Ontario, Canada, 2003.

NEIL, M.; FENTON N.; TAILOR M. Using Bayesian Networks to model Expected and Unexpected Operational Losses. Risk Analysis: An International Journal, v. 25, n. 4, p. 963-972, 2005.

PERKUSICH, M.; ALMEIDA, H.; PERKUSICH, A. A Model to Detect Problems on Scrum-Based Software Development Project. IN: ANNUAL ACM SYMPOSIUM ON APPLIED C, 28. Proceedings... 2013.


DOI: http://dx.doi.org/10.18265/1517-03062015v1n35p11-21

O arquivo PDF selecionado deve ser carregado no navegador caso tenha instalado um plugin de leitura de arquivos PDF (por exemplo, uma versão atual do Adobe Acrobat Reader).

Como alternativa, pode-se baixar o arquivo PDF para o computador, de onde poderá abrí-lo com o leitor PDF de sua preferência. Para baixar o PDF, clique no link abaixo.

Caso deseje mais informações sobre como imprimir, salvar e trabalhar com PDFs, a Highwire Press oferece uma página de Perguntas Frequentes sobre PDFs bastante útil.

Visitas a este artigo: 2258

Total de downloads do artigo: 1576