Propriétés de bayesnetnode

Retourner à la version anglaise de la documentation

Dernière mise à jour : 04 oct. 2024

Propriétés de bayesnetnode

Icône de noeud Bayes Net Avec 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`