Redes Bayesianas Bayesian Network

Edison A. Sahd Filho Centro Universitrio Filadlfia de Londrina Unifil Rafael G. Mantovani Centro Universitrio Filadlfia de Londrina - Unifil

RESUMO: Os mtodos de raciocnio probabilsticos so abordagens para a aplicao de inteligncia em sistema onde h uma grande taxa de incerteza em seu cenrio. A inferncia bayesiana vem sendo utilizada para contornar estas incertas, onde o sistema realiza clculos para verificar a probabilidade de uma ao ocorrer, conhecendo um conjunto de outras aes. As redes bayesianas possuem a capacidade de aprendizado, por ser um modelo matemtico de aplicao de inteligncia. Um grande problema para a implementao de redes bayesianas so a modelagem da mesma. Para isto, pode-se utilizar uma ferramenta, como por exemplo o Netica, para a fase de modelagem e testes. PALAVRAS-CHAVES: Inteligncia Artificial, Probabilidade, Inferncia Bayesiana, Teorema de Bayes, Netica.

ABSTRACT: The probabilistic reasoning methods are approaches to the application of intelligence in the system where there is a high rate of uncertainty in your scenario. The Bayesian inference has been used to circumvent these uncertain where the system performs calculations to verify the probability of an action occur, knowing a number of other actions. Bayesian networks are capable of learning, being a mathematical model of application intelligence. A big issue in the implementation of Bayesian networks are modeling of the same. For that, can be used a tool, for example the Netica, to the modeling phase and testing. KEYWORDS: Artificial Intelligence, Probability, Bayesian Inference, Bayes Theorem, Netica.

1 Introduo
Grande parte dos problemas encontrados no mundo envolve um cenrio onde a incerteza referente a informaes relevantes ao contexto eminente. Certas tarefas no podem ser realizadas por agente lgico que, em suma, realiza a tomada de deciso de acordo com uma estrutura condicional planejada e predefinida (RUSSELL;NORVIG, 1995). Levando em considerao este problema, uma boa escolha para a aplicao de inteligncia em cenrios incertos so os mtodos de raciocnio probabilsticos, que

permitem tomadas de decises mais confiveis e, com uma maior abrangncia nos fatores e possveis aes a serem tomadas. O raciocnio probabilstico baseia-se na conceituada teoria das probabilidades. Esta abordagem disponibiliza modelos matemticos de agentes inteligentes que, baseados em mtodos de raciocnio probabilstico, so capazes de tomar decises complexas, mesmo em um mundo incerto onde, grande parte das informaes pode estar incompleta. (RUSSEL;NORVIG, 1995). As redes bayesianas so mecanismos inteligentes com capacidade de tomada de deciso em um mundo incerto, onde so utilizados a teoria da probabilidade e o teorema de Bayes para alcanar seus objetivos. Uma caracterstica de grande relevncia das redes bayesianas a sua capacidade de aprendizado. O objetivo deste trabalho apresentar o conceito de redes bayesianas, bem como a teoria da probabilidade e um exemplo de aplicao de redes bayesianas. Ainda ser apresentada uma ferramenta de modelagem de inferncia bayesiana para auxiliar a estruturao da rede.

2 Teoria da Probabilidade
A seguir ser apresentado o contedo referente teoria da probabilidade. Sero abordadas as probabilidades incondicionais e condicionais, distribuio de

probabilidades e o teorema de Bayes.

2.1 Probabilidade Incondicional

A probabilidade incondicional (ou a priori), representada por , definida por RUSSEL e NORVIG (1995) como a porcentagem de um proposio, ou evento, ocorrer, no havendo outras informaes referentes proposio. A representao da probabilidade de um evento apresentada da equao (1), onde () a probabilidade incondicional de um evento ocorrer e deve estar no intervalo entre 0 () 1, um subconjunto do espao amostral , o nmero de pontos amostrais do subconjunto , e o nmero de pontos amostrais do espao amostral (FERREIRA, 2009). = (1)

A probabilidade incondicional utilizada apenas em casos onde nenhuma informao relacionada mesma conhecida. Para o caso em que alguma informao conhecida, o calculo da probabilidade realizado utilizando a probabilidade condicional.

2.2 Probabilidade Condicional

Segundo FERREIRA (2009), o estudo da probabilidade condicional se mostra necessrio devido possibilidade de um dado evento possuir diversos valores, onde, se o espao amostral no for definido de antemo, todos os resultados podem estar corretos. Uma vez que obtemos alguma informao referente ao contexto, a probabilidade incondicional deixa de ser aplicvel, sendo necessria a utilizao da probabilidade condicional. = ( ) () (2)

A equao (2) representa a probabilidade condicional, onde (|) a probabilidade de , sendo que tudo que conhecemos (RUSSEL;NORVIG; 1995). O operador | o operador com menor precedncia dentre os outros. ( ) a probabilidade de ou ainda , definida pela regra do produto de probabilidade e, () a probabilidade incondicional de , sendo > 0. = () (3)

A regra do produto de probabilidade definida pela equao (3). Esta regra conquistada quando passamos o denominador () da equao comum da probabilidade condicional multiplicando (|), a fim de encontrar ( ).

2.3 Distribuio de Probabilidades

As distribuies de probabilidades podem ser definidas como o conjunto de todas as informaes (1 , 2 , , ) sobre as distribuies de um grupo de elementos contendo um valor real. Este grupo de elementos conhecido como variveis aleatrias e define um espao X (GONALVES, 2008).

As distribuies de probabilidade das variveis aleatrias formam uma representao em forma de tabela, onde o nmero de elementos definido por 2 .

2.4 Teorema de Bayes

Segundo COPPIN (2010), o teorema de Bayes pode ser resumido como a probabilidade de um evento ocorre, sendo de conhecimento um fragmento de informaes relacionado ao mesmo. O teorema de Bayes uma parte da matemtica e da teoria da probabilidade relativamente simples, onde sua aplicabilidade possui o raciocnio oposto em relao causa e efeito (FERREIRA, 2009). A equao (4) define o teorema de Bayes onde, a probabilidade de , tendo ocorrido ((|)) igual ao produto entre a probabilidade condicional (|) e a probabilidade a priori de (), dividido pela probabilidade a priori de (). = () () (4)

Segundo RUSSEL e NORVIG (1995), o teorema de Bayes sem duvida a base de toda a inteligncia artificial para inferncia probabilstica.

3 Redes Bayesianas
Esta sesso descreve de forma mais formal o conceito de redes bayesianas, bem como o seu aprendizado e o modo como ela armazena o conhecimento e alguns exemplos de sistemas que possam utiliz-las.

3.1- Definio de Redes Bayesianas

Segundo RUSSEL e NORVIG (1995) uma rede bayesiana um grafo orientado onde cada n identificado com informaes de probabilidade quantitativas. Uma rede bayesiana utilizada para inserir inteligncia em um contexto onde a incerteza prevalece (COPPIN, 2010). Nesta abordagem o conceito de dependncia extremamente relevante, uma vez que considerando dois eventos, e , a probabilidade de ocorrncia de deve ser

mutuamente exclusiva, no havendo vinculo com a probabilidade de ocorrncia de (RUSSEL;NORVIG, 1995) (COPPIN, 2010).

1 , , =
=1

( |)

(5)

Com a construo de um grafo orientado acclico representando a rede Bayesiana e tabelas de probabilidades condicionadas, podem-se definir as redes Bayesianas de acordo com a equao (5), onde (1 , , ) a probabilidade entre os evento 1 at que possuem dependncia. (1 , , ) igual ao produto em de 1 at de ( |), onde a evidencia em que cada depende (COPPIN, 2010).

3.2 Representao do conhecimento e Aprendizado

Uma rede bayesiana adquire conhecimento atravs de suas variveis aleatrias e a distribuio de probabilidade. Uma rede bayesiana pode aprender de duas formas distintas, atravs do aprendizado ou da elucidao. Em uma abordagem computacional, o aprendizado de uma rede bayesiana ocorre atravs da atribuio da probabilidade de um determinado evento ocorrer em um vetor, dado uma determinada situao. Esta probabilidade calculada atravs do teorema de Bayes. A probabilidade calculada entre a possvel ocorrncia de um evento, ou hiptese, dado uma evidencia. Esses valores so ajustados a cada nova tomada de deciso. Esse mtodo conhecido como aprendizado, e utilizando quando h a disponibilidade de uma base de conhecimento. Quando a rede bayesiana no dispe de uma base de conhecimentos, a nica opo recorrer ao mtodo de elucidao. Este mtodo possui diversas abordagens, sendo a mais comum a especificao direta de probabilidades. A especificao direta de probabilidade a associao de valores entre 0% 100% para cara n do grafo que represente a rede bayesiana, ou cada hiptese. Esses valores so ajustados ao decorrer das tomadas de deciso da rede, aumentando seu conhecimento no contexto.

3.3 reas de Aplicaes

As tomadas de deciso utilizando as redes bayesianas esto contidas em diversos tipos de sistemas, sendo eles: Reconhecimento de padres: a rede bayesiana utilizada para realizar a classificao dos dados extrados de uma serie de padres. Esse reconhecimento pode para padres faciais, sonoros e outros. Sistemas especialistas: sistemas especialistas so sistemas que simulam um especialista em uma determinada rea do conhecimento. A rede bayesiana realiza a tomada de deciso de acordo com as possveis situaes contidas em uma rea. Business intelligence: so sistemas inteligentes que auxiliam a tomada de deciso referente a gesto de um negcio. Data mining: otimizao na extrao de dados de uma base de dados complexa, geralmente um data warehouse. Inteligncia em jogos: atravs da tomada de deciso de uma rede bayesiana possvel inserir inteligncia em agentes de um jogo. Outros.

4 Exemplo de Aplicao
Uma proposta de uso de redes bayesianas foi o trabalho de SAHEKI e ET AL (2003), onde foi empregada a inferncia bayesiana no ambiente de diagnostico de doenas cardacas, de acordo com a Figura 1.

Figura 1: Grafo da rede bayesiana proposta. Fonte: (SAHEKI;ET AL,2003)

Sua proposta principal foi realizar diagnosticar pacientes com doenas cardacas, a fim de classificar se este deve ser atendido em um posto de sade ou em um hospital, maximizando a qualidade do atendimento e minimizando o tempo de espera para o atendimento e custos (SAHEKI;ET AL,2003).

5 Netica

O software Netica um aplicativo desenvolvido pela Norsys Software Corp, que permite o desenvolvimento de redes Bayesianas de crena. Possui uma interface limpa e de fcil uso, onde o usurio pode utiliz-la intuitivamente, sendo necessrio apenas o conhecimento de redes bayesianas. O conhecimento obtido em uma determinada rede bayesiana pode ser gravado em arquivo ou at mesmo passado para outras redes. Isso torna as modelagem de redes bayesianas reusveis.

6 - Concluso

Atualmente, grande parte dos sistemas desenvolvidos utiliza a tomada de deciso em um determinado contexto. Os agentes lgicos da inteligncia artificial simblica no tornam possvel a tomada de deciso levando em conta a incerteza de um ambiente. A utilizao de modelos matemticos vem sendo utilizados em larga escala. As redes bayesianas so modelos baseados na teoria da probabilidade, utilizando o teorema de Bayes para realizar a tomada de deciso de uma forma transparente, mesmo que em ambientes incertos. Diversas ferramentas vem sendo construdas para auxiliar a modelagem de redes bayesianas, tornando a implementao e aplicao da mesma em um contexto de uma forma mais fcil.

7- Referncias Bibliogrficas

COPPIN, Ben. Inteligncia Artificial. Rio de Janeiro: Ltc, 2010. FERREIRA, Daniel Furtado. Estatstica Bsica. 2. ed. Lavras: Ufla, 2005. GONALVES, Andr Ricardo. Fundamentos e aplicaes de tcnicas de aprendizagem de mquina. 2008. 133f. Trabalho de Concluso de Curso (Cincia da Computao) Universidade Estadual de Londrina, Londrina. 2008. RUSSEL, Stuart; NORVIG, Peter. Inteligncia Artificial. 2. ed. New Jersey: Prentice Hall, 1995. SAHEKI, Andr Hideaki, Et Al. Construo de uma rede bayesiana aplicada ao diagnstico de doenas cardacas. USP, 2003.