5 36 37 3 8 r ed bayesiana mltiplemente conectada el

Info iconThis preview shows page 1. Sign up to view the full content.

View Full Document Right Arrow Icon
This is the end of the preview. Sign up to access the rest of the document.

Unformatted text preview: F unciones de densidad de probabilidad para las poblaciones de demócratas 4 21 y de republicanos 24 2 .3. E jemplo de curva ROC 25 3 .1. 3.2. 3 .3. 3 .4. G rafo Dirigido Grafo con un ciclo de longitud 4 D AG. B Y C son padres de D. A es un vértice raíz El DAG en (a) está simplemente conectado, el de (b) es un bosque, el de 33 34 34 (c) es un árbol y el de (d) está múltiplemente conectado 35 3 .5. 3.6. 3.7. 3 .8. R ed Bayesiana múltiplemente conectada El clasificador naíve-Bayes Ejemplo de particiones del conjunto de atributos con Pazzani E jemplo de estructura de particiones en un problema con dos clases y tres 37 38 44 variables predictoras 46 3.9. Ejemplo de estructura NBTREE con un nodo de decisión con el atributo X2 y d os clasificadores naíve-Bayes como hojas 3 .10. Ejemplo de estructura BANcuya, ú nica restricción es que no se formen ciclos e ntre las variables predictoras 49 3.11. Ejemplo de estructura TAN 49 3.12. Ejemplo de clasificador MB 51 4 .1. P seudocódigo de EDA 58 48 5 .1. V alidación de los clasificadores cuando el conjunto de datos está dividido e n conjunto de aprendizaje y conjunto de validación 68 5.2. Validación de los clasificadores con leave-one-out o 10-fold cross-validation . 68 5 .3. C omparación de naíve-Bayes e Interval Estimation naíve-Bayes 76 5.4. Intervalos de confianza y valores finales seleccionados por lENB para el c onjunto de datos pima 5 .5. C urvas ROC de naíve-Bayes e lENB con percentiles 95 y 98 para el conjunto d e datos corral 5.6. Diversas topologías de AGs paralelos con múltiples poblaciones 78 82 84 XIV Clasificación Supervisada Basada en RRBB. Aplicación en Biología Computacional 5.7. Esquema de AGs paralelos de grano fino 5.8. Esquema de Parallel Interval Estimation naive-Bayes 5.9. Resultados obtenidos por el algoritmo lENB con una población global de 500 individuos 5.10. Número total de individuos evaluados por el algoritmo PIENB con una p oblación global de 500 individuos 5 .11. C urvas de aprendizaje del algoritmo PIENB para el conjunto de datos chess 5.12. Estructuras de Pazzani e individuos que las representan 85 86 5.13. Representación de los individuos BAN 97 5.14. 5.15. 5.16. 5.17. Pseudocódigo de la corrección de un individuo BAN Representación de los individuos TAN Pseudocódigo de la corrección de un individuo TAN Representación de los individuos MB 87 88 89 93 98 101 102 105 5.18. Pseudocódigo de la corrección de un individuo MB 107 6.1. Dogma central de la biología molecular 114 6.2. 6 .3. 6.4. 6.5. 115 115 117 118 Estructura de un aminoácido F ormación de un enlace peptídico entre dos aminoácidos Cuatro niveles de estructura proteica L a proteína ITIM visualizada en forma de dibujo {cartoon) 6.6. Las hélices alpha, 3io y T . T 120 6.7. Formación de puentes de hidrógeno en cintas antiparalelas 6.8. Formación de puentes de hidrógeno en cintas paralelos 6.9. La segunda generación está basada en el uso de ventanas de aminoácidos p ara predecir la estructura secundaria , 6.10. Alineamiento global 6 .11. A lineamiento local 6.12. Alineamiento múltiple 6.13. A lineamiento sin interrupciones 6.14. Alineamiento con interrupciones 6.15. M atriz con base en el código genético 6.16. Obtención del perfil de una secuencia con la herramienta PSI-BLAST . . . 120 121 7 .1. F ragmento de secuencia observada secuencia predicha con los elementos de l a medida SOV 7.2. Resultados para la primera capa de predicción con náíve-Bayes 7 .3. P ruebas de la segunda capa de predicción empleando los resultados obtenidos por Interval Estimation naive-Bayes 7.4. Esquema del multiclasificador 123 128 128 129 129 129 131 134 143 149 150 152 7.5. Disposición geográfica de los servidores de predicción de estructura secundarial54 7.6. Obtención del conjunto de datos para el multiclasificador 7.7. Estructura de Pazzani encontrada para el multiclasificador 157 160 í ndice de tablas 2 .1. C onjunto de datos en el dominio de enfermedades del corazón 2 .2. M atriz de confusión genérica para dos clases 16 20 3 .1. C omparación de métodos para cálculo de probabilidades en naiVe-Bayes . . 40 5 .1. 5.2. 5 .3. 5.4. D escripción de los conjuntos de datos utilizados en los experimentos . . . . Resultados experimentales de Interval Estimation naive-Bayes ( Percentil 95) R esultados experimentales de Interval Estimation naive-Bayes ( Percentil 98) Comparación de los resultados obtenidos con lENB e Iterative Bayes . . . . 5.5. Resultados experimentales de APNBC-EDA 64 79 80 81 91 5.6. Resultados experimentales de los algoritmos voraces FSSJ y BSEJ de Pazzani 94 5.7. Resultados experimentales del algoritmo Pazzani-EDA 95 5.8. Comparación respecto a naive Bayes de los resultados experimentales de los a lgoritmos que utilizan el concepto de producto cartesiano entre variables . 96 5.9. Resultados experimentales de los algoritmos BAN-voraz, BAN-EDA y algoritmo de Friedman 99 5.10. Resultados experimentales de los algoritmos TAN-voraz, TAN-EDA y algoritmo de Friedman 10...
View Full Document

This note was uploaded on 02/01/2012 for the course . . taught by Professor . during the Spring '11 term at Pontificia Universidad Católica de Chile.

Ask a homework question - tutors are online