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.
Imputation des valeurs manquantes
Les valeurs manquantes sont présentes dans pratiquement toutes les bases de données des applications réelles. Elles peuvent correspondre aux non-réponses dans les enquêtes, à des problèmes de saisie dans les dossiers, des serveurs ou capteurs défectueux, à l'attrition dans les enquêtes longitudinales, etc … La mauvaise gestion de ces valeurs manquantes peut conduire à l’induction de modèles erronés.
Le traitement des valeurs manquantes (au-delà de la naïveté des approches ad hoc) est souvent une une tâche exigeante, tant du point de vue méthodologique qu’en termes de calcul. L'objectif principal de cet article est de décrire le traitement des valeurs manquantes dans le cadre des réseaux Bayésiens et de montrer que l’approche est fiable, efficace et intuitive.
Nous décrivons dans un premier temps les différents types de valeurs manquantes et les méthodes traditionnellement employées pour les traiter. Nous utilisons ensuite un exemple linéaire puis un exemple non linéaire pour illustrer les différentes méthodes statistiques et d'introduire le traitement des valeurs avec les réseaux Bayésiens.
Télécharger l'article