Docs
...
bayesnetnode properties

Propriétés de bayesnetnode

Dernière mise à jour : 12 févr. 2025
Propriétés de bayesnetnode

Icône de noeud Bayes NetAvec le noeud Réseau Bayésien (Bayes Net), vous pouvez créer un modèle de probabilité en combinant des preuves observées et enregistrées avec des connaissances du monde réel afin d'établir la probabilité d'occurrences. Le noeud est axé sur le Tree Augmented Naïve Bayes (TAN) et sur les réseaux Couverture de Markov qui servent principalement à la classification.

Exemple

node = stream.create("bayesnet", "My node")
node.setPropertyValue("continue_training_existing_model", True)
node.setPropertyValue("structure_type", "MarkovBlanket")
node.setPropertyValue("use_feature_selection", True)
# Expert tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("all_probabilities", True)
node.setPropertyValue("independence", "Pearson")
Tableau 1. Propriétés de bayesnetnode
Propriétés bayesnetnode Valeurs Description de la propriété
inputs [field1 ... fieldN] Les modèles de réseau Bayésien utilisent un seul champ cible et un ou plusieurs champs d'entrée. Les champs continus sont automatiquement mis en intervalles. Pour plus d'informations, voir la rubrique Propriétés de noeud de modélisation communes .
continue_training_existing_model option  
structure_type TAN MarkovBlanket Sélectionne la structure à utiliser lors de la création du réseau Bayésien.
use_feature_selection option  
parameter_learning_method Likelihood Bayes Spécifie la méthode utilisée pour estimer les tableaux de probabilités conditionnelles entre les noeuds où les valeurs des parent sont connues.
mode Expert Simple  
missing_values option  
all_probabilities option  
independence Likelihood Pearson Spécifie la méthode utilisée pour déterminer si des observations par paire sur deux variables sont indépendantes l'une de l'autre.
significance_level number Spécifie la valeur de césure permettant de déterminer l'indépendance.
maximal_conditioning_set number Définit le nombre maximum de variables de conditionnement à utiliser pour les essais d'indépendance.
inputs_always_selected [field1 ... fieldN] Spécifie les champs du de l'ensemble de données qui doivent toujours être utilisés lors de la création du réseau Bayésien.
Remarque: Le champ cible est toujours sélectionné.
maximum_number_inputs number Spécifie le nombre maximum de champs d'entrée à utiliser pour créer le réseau Bayésien.
calculate_variable_importance option  
calculate_raw_propensities option  
calculate_adjusted_propensities option  
adjusted_propensity_partition Test Validation