Los puntos clave no están disponibles para este artículo en este momento.
En este artículo, evaluamos empíricamente algoritmos para aprender cuatro tipos de clasificadores de redes bayesianas (BN) - Naive-Bayes, Naive-Bayes aumentado por árbol, Naive-Bayes aumentado por BN y BNs generales, donde los dos últimos se aprenden utilizando dos variantes de un algoritmo de aprendizaje de BN basado en independencia condicional (CI). Los resultados experimentales muestran que los clasificadores obtenidos, aprendidos utilizando los algoritmos basados en CI, son competitivos (o superiores) a los mejores clasificadores conocidos, basados tanto en redes bayesianas como en otros formalismos; y que el tiempo computacional para aprender y usar estos clasificadores es relativamente pequeño. Además, estos resultados también sugieren una forma de aprender clasificadores aún más efectivos; demostramos empíricamente que este nuevo algoritmo funciona como se esperaba. En conjunto, estos resultados argumentan que los clasificadores de BN merecen más atención en las comunidades de aprendizaje automático y minería de datos.
Cheng et al. (Wed,) estudiaron esta cuestión.