Uma discussão sobre os classificadores estatísticos: bayes simples e redes bayesianas

Abstract

Resumo: Com o advento do avanço tecnológico na área de computação, tornou-se possível e viável a simulação de eventos reais em um modelo computacional, permitindo assim a aplicação de conceitos matemáticos e estatísticos com o intuito de encontrar respostas para problemas práticos. Esses modelos podem ser implementados nos mais diversos ambientes, seja no cenário de suporte ao sistema hospitalar, ou para a predição de inadimplência de um solicitante de empréstimo, por exemplo. Este trabalho tem por objetivo apresentar e discutir os classificadores Bayesianos, em específico Bayes simples e as redes Bayesianas. Dando enfoque a probabilidade condicional, onde uma condição observável afeta a probabilidade final de um experimento qualquer, e ao teorema de Bayes, utilizado extensivamente pelos classificadores Bayesianos para determinar a probabilidade final de um determinado modelo computacional. Além de breve discussão sobre as características de ambos os classificadores, como o passo-a-passo do processo matemático para a tomada de decisão durante a predição; o comportamento entre as variáveis aleatórias (atributos), seja em uma relação de dependência, onde haverá impacto entre as variáveis dependentes, ou independência, onde a classe é a única variável dependente no modelo preditivo; além de fatores de incerteza sobre os valores assumidos pelas variáveis aleatórias e as consequências.___Abstract With the advent of technological advances in computing, it has become possible and feasible to simulate real events in a computational model, thus allowing the application of mathematical and statistical concepts in order to find answers to practical problems. These models can be implemented in the most diverse environments, whether in the scenario of support to the hospital system, or for the prediction of default of a loan applicant, for example. This work aims to present and discuss Bayesian classifiers, specifically simple Bayes and Bayesian networks. Focusing on conditional probability, where an observable condition affects the final probability of any experiment, and on Bayes’ theorem, used extensively by Bayesian classifiers to determine the final probability of a given computational model. In addition to a brief discussion about the characteristics of both classifiers, such as the step-by-step mathematical process for decision making during prediction; the behavior between random variables (attributes), either in a dependent relationship, where there will be an impact between the dependent variables, or independent, where the class is the only dependent variable in the predictive model; in addition to uncertainty factors about the values assumed by the random variables and the consequences that this produces on the probability calculation of both classifiers.