Ressources
-
Tutoriels
- Présentation générale de BayesiaLab
- Introduction aux réseaux Bayésiens
- Outils d'analyse
- Apprentissage des réseaux bayésiens
- Aide à la décision
- Réseaux bayésiens dynamiques et apprentissage de politiques d'actions
- Modalités filtrées
- Equations structurelles probabilistes
- Environnement de recueil d'expertise de BayesiaLab
- Probabilistic Latent Factor Induction
- Célèbres paradoxes et raisonnements fallacieux revisités avec les réseaux Bayésiens
- Inférence Causale et Effets Directs
- Imputation des valeurs manquantes
- BEKEE, Bayesia Expert Knowledge Elicitation Environment
- Analyse de facteurs et optimisation de produit
- Apprentissage supervisé et non supervisé avec BayesiaLab
- Modélisation du choix d'un véhicule et estimation de parts de marché
-
Manuel utilisateur de BayesiaLab
-
Spécifications Techniques de BayesiaLab
-
Etudes de cas
- Microarray analysis
- Breast Cancer Diagnostics
- Optimisation de la production par analyse du rex
- Coupe du monde de football 2010
- Questionnaires de satisfaction
- Mise en oeuvre d'un score bayésien
- Analyse des intubations difficiles
- Analyse trajectoires de santé
- Analyse du transcriptome
- Caractérisation de clients
- Systèmes dynamiques
- Analyse du risque et politique de sécurité
- Text mining : identification de noms de sociétés
- Segmentation des consommateurs
- Identification de leviers d'appréciation de parfums
- Détection de salmonelles
- Modélisation des préférences des consommateurs
- Analyse politique
- Analyse sensorielle de parfums
- Analyse de la satisfaction du personnel
Nous vous suggérons de passer à IE 7 ou Firefox pour une meilleure navigation.
Diagnostic du cancer du sein avec des réseaux Bayésiens
La base de données « Wisconsin Breast Cancer Database » (WBCD) a fait l’objet de nombreuses études dans le domaine du diagnostic du cancer du sein. La thématique de recherche des créateurs de cette base de données, Wolberg, Street, Heisey et Managasarian, était l'automatisation du diagnostic par le traitement d'images et l’apprentissage automatique.
Au-delà du domaine médical, statisticiens et informaticiens ont proposé un large éventail de modèles de classification basé sur WBCD. Ces nouvelles méthodes ont constamment amélioré la référence en termes de performance du diagnostic.
Cet article repose sur l’analyse de cette base de données avec des réseaux Bayésiens, ce qui, à notre connaissance, n'a pas été fait auparavant. Nous montrons comment le logiciel BayesiaLab peut très rapidement - et simplement - créer un modèle dont les performances sont comparables avec celles des meilleurs modèles développés à partir de WBCD lors des 15 dernières années.
Télécharger l'article