Aprendizaje y generación automática de conocimiento, construcción de redes bayesianas mediante rough sets

Resumen

En este trabajo se presenta un método de aprendizaje inductivo capaz de extraer conocimiento explícito acerca de un dominio, a partir del análisis de la información contenida en un conjunto de datos, El método propuesto se basa en la teoría de conjuntos aproximados (Rough Set theory) para detectar relaciones de independencia condicional entre las variables de interés, las cuales se almacenan con posterioridad en una red Bayesiana (Bayesian network). Esta herramienta gráfica de modelado es adecuada para representar el conocimiento (tanto cualitativo como cuantitativo) que se dispone de un dominio, así como, para realizar tareas de inferencia bajo condiciones de incertidumbre. Por otro lado, y además del mecanismo de construcción de redes Bayesianas propuesto, se presenta un método para seleccionar un subconjunto de características relevantes. Este método, basado también en la teoría de conjuntos aproximados y en el principio de longitud de descripción mínima (Minimum Description Lenght principle), tiene como finalidad mejorar el comportamiento de un algoritmo de aprendizaje inductivo, habiéndose empleado en particular, para mejorar el mecanismo de construcción de redes Bayesianas propuesto en este trabajo. La justificación de las hipótesis defendidas en este trabajo se hace de forma teórica en el caso del aprendizaje de redes Bayesianas mediante conjuntos aproximados, y de forma experimental en el caso del algoritmo de selección de características. Complementando a la prueba de las dos hipótesis, se presenta la aplicación de los métodos propuestos al problema real de la predicción de las mareas rojas en las costas gallegas. Por último, y a la vista de los resultados obtenidos, se concluye que la aplicación de los mecanismos definidos son de especial interés en aquellas situaciones en las que no se dispone de conocimiento útil sobre el dominio de interés y la única información disponible es la aporta