Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification

Transcription

1 Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification et Philippe LERAY, Laboratoire LITIS, Rouen. Rencontres Inter-Associations La classification et ses applications AFIA - ARIA - EGC - INFORSID - SFC - SFDS - LMO - ASTI 21 Mars 2006

2 Plan 1 Introduction Données manquantes et entrées incomplètes Classification : le Réseau Bayésien Naïf 2 Espérence-Maximisation Structurelle La méthode AMS-EM Notre adaptation : MWST-EM 3 Le réseau Bayésien Naïf Augmenté par un Arbre Apprendre une Structure pour la Classification à partir de Données Incomplètes Résultats 4 Conclusions et Perspectives References15

3 Problématique Soit X un système complexe. X est représenté par de nombreux attributs {X i } 1 i n. Certains attributs sont observés systématiquement, d autres sont observés occasionnellement, état critique du système? mesure couteuse?... et de nombreux autres ne sont jamais observés, parce que leur influence/pertinence est faible? parce que l on ne pas connaissance de leur intérêt?... Par Exemple : Pour une base de 2000 exemples sur 20 attributs, 20% des mesures sont manquantes complètement au hasard = en moyenne seulement 23 cas complets (c-à-d %EI 99%)

4 Types de donéees manquantes Notations : D =< O, H >= ((d il )) n m R = ((r il )) n m, une matrice où r il = 1 si d il est manquant, 0 sinon. Θ, paramètres de la loi qui a généré D, µ, paramètres de la loi qui a généré R. Données manquantes? Rubin (1976) P(O, H, R Θ, µ) = P(O, H Θ) P(R O, H, µ) MCAR : P(R O, H, µ) = P(R µ) MAR : P(R O, H, µ) = P(R O, µ) NMAR : P(R O, H, µ), cas non ignorables.

5 Le réseau Naïf Supposons que la classe a une influence sur toutes les variables, mais indépendamment Classe [P(C=i)] i [P(A=a C=i)] a,i A B C D E F G Ce qu il est possible de faire : l apprentissage des paramètres avec DI (par ex. avec EM), l inférence avec des Données Incomplètes.

6 Le réseau Naïf Supposons que la classe a une influence sur toutes les variables, mais plus indépendamment Classe A B C D E F G Ce qu il est toujours possible de faire : l apprentissage des paramètres avec DI (par ex. avec EM), l inférence avec des Données Incomplètes. et si l on veut ajouter des dépendances automatiquement :? (peu de méthodes efficaces à partir de DI)

7 Donner un score à partir d une base incomplète Soit S(M D c ), score pour un modèle M et des données complètes D c. approximation de S pour M et la base incomplète D =< O, H > Q S (M D) = E H P(H O,µ) [ S(M O, H) ] Mais la loi P(H O, µ) est inconnue. Principe EM Supposons que le modèle M 0 a généré la base D alors Q S (M D) Q S (M : M 0 [ ] D) = E H P(H O,M 0 ) S(M O, H) Q S (M : M 0 D) = S(M O, H)P(H O, M 0 )) H Ou la loi a posteriori P(H O, M 0 ) est connue.

8 Structural-EM Choisir un modèle M 0 ( P(H M 0 )) Trouver un modèle M i+1 qui maximise un score Q S (M : M i D) Utiliser le nouveau modèle comme base pour l itération suivante jusqu à convergence. EM généralisé : augmente le score AMS-EM : le nouveau modèle est choisi parmis les voisins du graphe courant Friedman (1997)

9 MWST-EM AMS-EM : le nouveau modèle est choisi parmis les voisins du graphe courant Friedman (1997) nombreuses itérations MWST-EM : nous trouvons le meilleur modèle dans l espace des arbres Leray & François (2005) peu d itérations Pour cela, on utilise un algorithme de type Kruskal sur la matrice de score suivante : [ ] [ ] Mij Q = Q bic (X i, P i = {X j }, Θ Xi Xj : T, Θ ) Q bic (X i, P i =, Θ Xi : T, Θ ) i,j où Q BIC (G, Θ : G, Θ )= Q bic (X i, P i, Θ Xi Pi : G, Θ ) et i Q bic (X i, P i, Θ Xi Pi : G, Θ ) = Nijk logθ ijk log N 2 Dim(Θ Xi P i ) X i =x k P i =pa j avec N ijk = E G,Θ [ Nijk ] = N P(Xi = x k, P i = pa j G, Θ ).

10 TAN-EM Classe A B C D E F G Pour augmenter le réseau naïf par un arbre, la classe fait toujours partie de l ensemble des parents et la matrice de score devient (i, j = classe) : [ [ Mij Q ]i,j = Q bic (X i, P i = {C, X j }, Θ Xi Xj : T, Θ ) ] Q bic (X i, P i = {C}, Θ Xi : T, Θ )

11 Résultats N N app N test #C %EI Hepatitis House Horse Thyroid Mushrooms NB-EM MWST-EM TAN-EM AMS-EM AMS-EM+T Hepatitis 70.8% 73.8% 75.4% 66.1% 66.1% ; ; ; ; ; 1478 House 89.7% 93.8% 92.4% 92.4% 93.8% ; ; ; ; ; 3327 Horse 75% 77.9% 80.9% 66.2% 66.2% ; ; ; ; ; Thyroid 95.3% 93.8% 96.2% 93.8% 93.8% ; ; ; ; ; Mushrooms 92.8% 74.7% 91.3% 74.9% 74.9% ; ; ; ; ; 59795

12 Conclusions La méthode TAN-EM permet d obtenir : de bonnes performances en classification, de bonnes vraissemblances des modèles obtenus, un excellent rapport performances/rapidité (car basée sur le réseau naïf et MWST-EM Leray & François (2005)). Néanmoins, cette méthode est limitée au tâches de classification, augmente le NB forcement par un arbre.

13 Perspectives Pour TAN-EM : adaptation à la classification non-supervisée, tests sur des données générées (MAR), tests en non-supervisé. Pour MWST-EM : passer de l espace des arbres à l espace des forets (= FAN-EM), l espace des équivalents de Markov (= GES-EM et BNAN-EM?), remplacer les principes de EM par d autres (Robust Bayesian Estimator...) = NMAR.

14 Merci pour votre attention. Questions? Remarques? Suggestions?

15 Friedman, N. (1997). Learning belief networks in the presence of missing values and hidden variables. In in the Proceedings of the 14th International Conference on Machine Learning, (pp ). Morgan Kaufmann. Leray, P. & François, O. (2005). Bayesian network structural learning and incomplete data. In in the proccedings of the International and Interdisciplinary Conference on Adaptive Knowledge Representation and Reasoning (AKRR 2005), Espoo, Finland. Rubin, D. (1976). Inference and missing data. Biometrika, 63,