Analyse des données avec des réseaux bayésiens : une approche bootstrap

Ces dernières années, des progrès significatifs ont été réalisés dans les algorithmes et les méthodes pour induire des réseaux bayésiens à partir de données. Cependant, dans les problèmes d'analyse de données complexes, nous devons aller au-delà de la satisfaction d'induire des réseaux avec des scores élevés. Nous devons fournir des mesures de confiance sur les caractéristiques de ces réseaux : l'existence d'un lien entre deux nœuds est-elle justifiée ? Le plateau de Markov d'un nœud donné est-il robuste ? Pouvons-nous dire quelque chose sur l'ordre des variables ? Nous devrions être capables de répondre à ces questions, même lorsque la quantité de données n'est pas suffisante pour induire un réseau à score élevé. Dans cet article, nous proposons le Bootstrap d'Efron comme une approche computationnellement efficace pour répondre à ces questions. De plus, nous proposons d'utiliser ces mesures de confiance pour induire de meilleures structures à partir des données et détecter la présence de variables latentes.