Este artículo describe la clasificación de personas acusadas de asesinato que hayan actuado bajo los efectos de las drogas utilizando redes bayesianas. Se propone un clasificador que utiliza los algoritmos NaiveBayes y BayesNet para clasificar personas según factores de riesgo como la edad y el sexo, y síntomas como ojos irritados, efectos depresores y perturbadores, relajación, sedación y somnolencia. El clasificador se implementa en las herramientas Weka y Elvira para proveer una clasificación eficiente de personas acus

1. CLASIFICACION DE PERSONAS ACUSADAS DE ASESINATO QUE HAYAN
ACTUADO BAJO EL EFECTO DE LAS DROGAS UTILIZANDO REDES BAYESIANAS
Marcela T. Gómez González
mtgomez@utpl.edu.ec
UNIVERSIDAD TECNICA PARTICULAR DE LOJA
Ingeniería en Sistemas Informáticos y Computación
INTELIGENCIA ARTIFICIAL AVANZADA
ABSTRACT personas acusadas por asesinato y que hayan
actuado bajo efectos de drogas.
Drugs consumption is a relevant social
En la actualidad se cuenta con gran cantidad
problem because of this addiction causes big
de estrategias para realizar diagnostico y
familiarly, couple, school, work and legal
clasificación de objetos, personas,
problems that deteriorate people’s social
enfermedades, etc; procesos que se realizan
environment. This research make a
con el fin de asignar uno o más objetos a
classification of people accused of murder
una clase o grupo definidos. La presente
under the influence of drugs.
investigación trata el estudio de redes
Actually, there are many strategies for bayesianas, siendo éstas un método que
objects, people and diseases diagnosis and basa su estudio en teorías de probabilidad y
classification, processes carried out in order permiten realizar una inferencia al integrar
to assign one or more objects to a defined el juicio de un experto con las bases de
class or group. This research is the study of datos de las que se dispone, éste método
Bayesian networks, which is a method based presenta algunas ventajas sobre otros
in probability theories and let us to make cuando los datos son imprecisos y sobre todo
inferences by integrating an expert opinion cuando las relaciones entre variables son no
with available databases. This method has lineales.
some advantages over others when the data
are imprecise and especially when
PALABRAS CLAVE:
relationships between variables are
nonlinear.
Redes bayesianas, aprendizaje,
RESUMEN: clasificación, Weka, Elvira, NaiveBayes,
BayesNet
El consumo de drogas constituye un
problema social de gran relevancia, ya que 1. PLANTEAMIENTO DEL PROBLEMA
ésa adicción origina graves conflictos
familiares, de pareja, escolares, laborales e, Realizar una clasificación de personas de
incluso, problemas legales que deterioran el una manera manual sin la utilización de
entorno social de la persona. En éste algún sistema computacional es un gran
artículo se realiza la clasificación de problema para la sociedad en general, por lo
que éste proyecto se realiza con la finalidad

2. de construir un clasificador inteligente, que
mediante la especificación de una serie de 3. INTRODUCCION
características permita realizar la
clasificación de dependiendo de ciertos Con frecuencia se encuentran situaciones o
criterios, en éste caso la clasificación de fenómenos que contienen algunos eventos
personas asesinas que hayan cometido un aleatorios asociados con este. Existen
delito por consecuencia de las drogas. Modelos Probabilísticos que pueden ser
aprovechados cuando existan relaciones
Se plantea una solución ante éste problema probabilísticas entre un conjunto de
mediante la utilización de un clasificador variables aleatorias afectadas y Modelos
que responda de manera eficaz y eficiente Gráficos, los cuales han llegado a ser
mediante la utilización de software que sea populares entre comunidades estadísticas y
accesible tanto de manera económica y de inteligencia artificial debido a su
física. facilidad de simplificar la comunicación
entre el dominio experto y el modelador.
OBJETIVOS Las redes Bayesianas son una clase de
modelos gráficos que modelan relaciones
2.1. OBJETIVOS GENERAL probabilísticas a través de un grafico
acíclico dirigido , en el cuál cada nodo
- Construir un clasificador de personas corresponde a una variable aleatoria y cada
(asesinos) que hayan actuado bajo efectos flecha corresponde una relación de
de estupefacientes mediante la aplicación dependencia probabilística entre dos
de Redes Bayesianas y utilizando los variables afectadas[2]
algoritmos BayesNet y NaiveBayes.
Existen muchas tareas prácticas que pueden
2.2. OBJETIVOS ESPECIFICOS reducirse a problemas de clasificación como
diagnósticos de enfermedades,
- Investigar diferentes herramientas que reconocimiento de patrones y en caso de
permitan realizar un clasificador que éste proyecto diagnostico o probabilidad de
permita emitir información clasificada de consumo de drogas de una persona; éste
una manera eficiente y un mínimo tipo de tareas tienen la finalidad de asignar
porcentaje de error. objetos a categorías o clases determinadas
según sus propiedades. Clasificación que se
- Investigar técnicas utilizadas en redes realizará mediante los programas Weka y
bayesianas para la clasificación de objetos. Elvira
- Investigar trabajos relacionados en el área 4. MARCO TEORICO
de clasificación mediante Redes Bayesianas
4.1. REDES BAYESIANAS Y CLASIFICACION
- Implementar el modelo en Weka
Una red Bayesiana es un grafo acíclico que
- Implementar el modelo en Elvira representa relaciones probabilísticas entre
variables aleatorias [7]. El razonamiento
probabilístico en éste tipo de redes consiste
en propagar los efectos de la evidencia a
través de la red para conocer la
probabilidad a posteriori de las variables. Se

3. asignan valores a ciertas variables de la base capaces de generalizar, adaptar señales de
de datos y se obtiene la probabilidad ruido y distorsión sin perder su robustez [1],
posterior de las demás variables dadas las son entrenadas y no requieren de una
variables conocidas [22] descripción precisa de patrones a ser
clasificados
Las redes bayesianas pueden realizar a
cabalidad la tarea de clasificación, ya que - Los métodos bayesianos permiten tener en
es un caso particular de la tarea de cuenta en la predicción de la hipótesis el
predicción, se caracteriza por tener una sola conocimiento a priori en forma de
de las variables de la base de datos probabilidades. El problema puede surgir al
(clasificador) que se desea predecir, en éste tener que estimar ese conocimiento
proyecto ésta variable es “consumedrogas” estadístico sin disponer de datos
mientras que todas las otras son los datos suficientes.[12].
propios del caso que se desea clasificar, es
decir las características de las personas, se - Las redes bayesianas permiten definir
pueden citar por ejemplo: fatiga, modelos y utilizarlos tanto para hacer
somnolencia, alucinaciones, etc. Pueden razonamiento de diagnóstico (pues obtienen
existir una gran cantidad de variables en la las causas más probables dado un conjunto
base de datos, algunas de las cuales estarán de síntomas), como para hacer
directamente relacionadas con la variable razonamiento predictivo (obteniendo la
clasificadora que se quiere predecir pero probabilidad de presentar un cierto síntoma
también pueden existir otras variables que suponiendo que existe una causa
no lo estén.[21] conocida)[21].
La idea de utilizar redes Bayesianas en éste - Una de las características de las redes
proyecto es que se puede estimar bayesianas es que un mismo nodo puede ser
probabilidades a posteriori de cualquier fuente de información u objeto de
hipótesis con el conjunto de datos de predicción dependiendo de cuál sea la
entrenamiento, para así escoger la hipótesis evidencia disponible.
más probable.
Los métodos bayesianos en tareas de 4.2. APRENDIZAJE DE UNA RED BAYESIANA
aprendizaje poseen ciertas características,
entre las cuáles se pueden citar las El aprendizaje en la redes bayesianas
siguientes: consiste en definir una estructura grafica a
partir de datos almacenados en bases de
- La hipótesis perteneciente a un ejemplo datos. El aprendizaje en éste tipo de redes
aumenta o disminuye la probabilidad. Al consiste en definir la red probabilística a
momento que no concuerde con un conjunto partir de datos almacenados en bases de
de ejemplos más o menos grande ésta datos en lugar de obtener el conocimiento
probabilidad no es desechada por completo del experto. Este tipo de aprendizaje ofrece
sino que se disminuirá esa probabilidad la posibilidad de inducir la estructura grafica
estimada para la hipótesis. de la red a partir de los datos observados y
de definir las relaciones entre los nodos
basándose también en dichos casos. Se
- Entre las principales ventajas de las redes definen en aprendizaje estructural y
bayesianas se puede citar que ellas son paramétrico

4. 5.1.1. ELVIRA 0.162
En el aprendizaje estructural se debe El programa Elvira está destinado a la
obtener la estructura de la Red Bayesiana edición y evaluación de modelos gráficos
con sus respectivas relaciones. Tomando en probabilistas, concretamente redes
cuenta que éste tipo de aprendizaje bayesianas y diagramas de influencia. [17]
depende del tipo de estructura de la red.
[15]
Cuenta con un formato propio de
codificación de los modelos, un lector
A diferencia del aprendizaje estructural, el intérprete para los modelos codificados, una
interfaz gráfica para la construcción de
aprendizaje paramétrico consiste en
redes, con opciones específicas para
encontrar parámetros asociados a una modelos canónicos (Noisy OR, Noisy AND,
estructura de una red bayesiana dada [14], etc...), algoritmos exactos y aproximados
es decir, parámetros conformados por las (estocásticos) de razonamiento tanto para
probabilidades del nodo raíz y de las demás variables discretas como continuas, métodos
variables. de explicación del razonamiento, algoritmos
de toma de decisiones, aprendizaje de
modelos a partir de base de datos, fusión de
En general, una red bayesiana en sus
redes, etc [24]
primeros estados, puede ser constituida
según la opinión de los expertos o bien Elvira puede operar en tres modos:
según la información de la que se parta o
teniendo en cuenta ambas cosas. Conforme
se añade información a la misma, se va • Modo Editar, éste modo se utiliza para
modificando tanto su estructura como los crear y modificar Redes bayesianas e
influenciar diagramas
parámetros mediante un proceso de
cuyas variables son solamente discretas.
aprendizaje [5].
• Modo Inferencia, para hacer propagación
5. DISENO E IMPLEMENTACION DEL de evidencia
CLASIFICADOR
• Modo aprendizaje.- permite construir
5.1. HERRAMIENTAS UTILIZADAS redes Bayesianas desde bases de datos. [16]
Su mayor ventaja es que éste software
En el presente proyecto se utilizara las permite representar de una manera gráfica
herramientas: Weka y Elvira para realizar el los resultados de los análisis de sensibilidad,
clasificador. además mostrar los caminos de
Figura1. Herramienta Elvira razonamiento y de clasificar los hallazgos en
función del tipo de impacto que ejercen
sobre una variable.
5.1.2. WEKA 3.6
Figura 2. Herramienta Weka
Es un entorno para experimentación de
análisis de datos que permite aplicar,
analizar y evaluar las técnicas más

5. relevantes de análisis de datos, Bayes Net (Pearl 1988) es un método basado
en “score” y búsqueda, en los cuales la
medida de bondad (verosimilitud, entropía,
porcentaje de bien clasificados) de una
estructura particular es definida, y se lleva a
cabo un procedimiento de búsqueda a lo
largo del espacio de todas posibles
estructuras de redes bayesianas [27]
5.3. MODELO
principalmente las provenientes del
aprendizaje automático, sobre cualquier
Las drogas actúan sobre el sistema nervioso
conjunto de datos del usuario. [19].
central produciendo varios efectos como
Se utiliza ésta herramienta debido a que
efectos depresores que disminuyen o inhiben
está disponible de una manera libre bajo la
los mecanismos de funcionamiento normal
licencia pública general de GNU y es un
del sistema nervioso central y efectos
software muy portable que puede correr
alucinógenos o perturbadores, que alteran la
bajo cualquier plataforma.
percepción de la realidad
y alteraciones psicológicas van desde
5.2. ALGORITMOS UTILIZADOS
cambios en el estado de ánimo a crisis de
ansiedad.
5.2.1. ALGORITMO NaiveBayes
La implementación de éste algoritmo se Se evalúan en el modelo variables que
encuentra en el clasificador representan factores de Riesgo y variables
weka.classifiers.bayes.NaiveBayes. Se ha que representan los síntomas que son
ejecutado con sus parámetros por defecto: causados por ingerir alguna clase de droga.
sin desratización supervisada y con Los factores de riesgo que influyan a una
distribución normal aplicada a los atributos persona para ser consumidor de drogas son
numéricos. [24] los siguientes:
Edad: se ha tomado „esta variable
Naive Bayes es un método de clasificación como un factor de riesgo, asignándole una
probabilístico. Se utiliza una distribución mayor probabilidad a las personas adultas y
normal para clasificar una nueva instancia adultas mayores más que a los adolescentes
de un conjunto D dentro de un conjunto
finito C de clases predeterminadas. [27] Sexo: El género de mayor riesgo en el
modelo es el género masculino
5.2.2. ALGORITMO BayesNet
Los síntomas que permiten identificar si una
El algoritmo de clasificación BayesNet se persona está bajo efectos de droga son los
aprovecha para desarrollar la red de siguientes:
creencia bayesiana. Las opciones que deben
 ojos irritados
ser abordadas en Weka incluyen el
 Efecto depresor
estimador que calcula las tablas de
probabilidad condicional de las redes de  Efecto perturbador
Bayes. [25]  Relajación

6.  Sedación  Efecto perturbador (TRUE, FALSE)
 Somnolencia  Relajación (TRUE, FALSE)
 Hipnosis  Sedación (TRUE, FALSE)
 Fatiga  Somnolencia (TRUE, FALSE)
 Alteración de sueno  Hipnosis (TRUE, FALSE)
 Alteración de apetito  Fatiga (TRUE, FALSE)
 Alucinaciones  Alteración de sueno (TRUE, FALSE)
 Cambios de animo  Alteración de apetito (TRUE, FALSE)
 Pánico  Alucinaciones (TRUE, FALSE)
 Ansiedad  Cambios de ánimo(TRUE, FALSE)
 Pánico(TRUE, FALSE)
Estos efectos en su totalidad dan un 100%,
 Ansiedad(TRUE, FALSE)
pero a la hora de simularos en la
herramienta Elvira, todos dan un porcentaje 5.4. DATOS
del 10%, ya que es el porcentaje equivalente
al 100%. La base de datos consta de información
recolectada de ciertas personas,
5.3.1. ANALISIS información que corresponde a los valores
asignados a las variables anteriormente
citadas.
Para la modelización del proyecto
Para realizar la simulación se utilizo la
probabilístico se necesita de la
siguiente base de datos, la cual se encuentra
especificación de variables que permitan
en formato .arff
determinar el nivel de riesgo o probabilidad
de que una persona haya estado bajo
efectos de estupefacientes y se debe contar @relation DROGAS
con una base de datos que contienen
factores de riesgo, en este caso 2 y atributos @attribute EDAD numeric
de clase las cuales se las especifican con @attribute OIRRITADOS {TRUE,FALSE}
detalle a continuación: @attribute DEPRESION {TRUE,FALSE}
@attribute PERTURBACION {TRUE,FALSE}
5.3.1.1 VARIABLES A EVALUAR
@attribute RELAJACION {FALSE,TRUE,'TRUE
'}
Para determinar la probabilidad de que un @attribute SEDACION {TRUE,FALSE,'TRUE '}
asesino haya estado bajo efectos de drogas @attribute SOMNOLENCIA {'TRUE ',FALSE}
se lo determinara en base a ciertos atributos @attribute HIMNOSIS {FALSE,TRUE}
que a la hora de clasificar vienen a ser los @attribute FATIGA {FALSE,TRUE}
síntomas a evaluar ,éstos atributos o @attribute ALTERAAPETITO {TRUE,FALSE}
características en su mayoría contienen @attribute CAMBIOANIMO {TRUE,FALSE}
información de tipo booleano , es decir @attribute PANICO {FALSE,TRUE}
verdadero y falso. Los atributas a evaluar @attribute ANSIEDAD {FALSE,TRUE,'TRUE '}
son los siguientes: @attribute CONSUMIDOR {'TRUE ',FALSE}
 Edad INTEGER @data
 Sexo (0:HOMBRE, 1:MUJER) 18,TRUE,TRUE,TRUE,FALSE,TRUE,'TRUE
 Ojos irritados (TRUE, FALSE) ',FALSE,FALSE,TRUE,TRUE,FALSE,FALSE,'TRU
 Efecto depresor (TRUE, FALSE) E'

7. 20,FALSE,FALSE,TRUE,FALSE,TRUE,FALSE,FA
LSE,FALSE,TRUE,TRUE,FALSE,FALSE,FALSE
Una vez realizada la red, se procede a
22,TRUE,TRUE,TRUE,FALSE,TRUE,'TRUE
asignar valores probabilísticos a cada una de
',FALSE,FALSE,TRUE,TRUE,FALSE,FALSE,'TRU
las variables dependiendo su influencia o
E'
importancia como se muestra en la figura 4.
24,FALSE,FALSE,TRUE,FALSE,TRUE,FALSE,FA
LSE,FALSE,TRUE,TRUE,FALSE,FALSE,FALSE 5.5.1.1. RESULTADOS
42,FALSE,FALSE,TRUE,FALSE,TRUE,FALSE,TR
UE,TRUE,FALSE,FALSE,TRUE,FALSE,FALSE Una vez especificados los grados de
5.5. EXPERIMENTACION probabilidad de cada uno de los atributos
correspondientes al modelo, se procede a
5.5.1. EXPERIMENTACION CON ELVIRA realizar la inferencia de casos al modelo
para así obtener resultados para cada uno
En base a la investigación de los efectos
de los casos.
causados por las drogas en una persona se
procedió a diseñar la red. En la figura 3. se Al realizar la inferencia de datos al modelo
muestra la clase principal que viene a ser la asignando valores a cada atributo se obtiene
enfermedad o anomalía , los atributos edad, las estadísticas y probabilidad de que si una
sexo que son los factores de riesgo y los persona ingirió estupefacientes como se
demás atributos que son los síntomas a muestra en la figura 5.
evaluar.
En el caso 1 , el cual se muestra en la figura
6. , se realiza la inferencia de los atributos:
alucinaciones, somnolencia, pánico y
ansiedad asignado un valor negativo, dando
como resultado Un valor negativo en la clase
principal “Consume drogas”. En la figura . se
muestra el caso contrario
Figura 3. Red Bayesiana del Modelo
Figura 5 . Resultado de la Inferencia utilizando Elvira
para el caso de una persona que no utiliza
estupefacientes
Figura 4 . Valores asignados a los atributos

8. Figura 9. Estadísticas del atributo seleccionado
RESULTADOS CON WEKA
Figura 6. Resultado de la Inferencia utilizando Elvira
La clasificación se realiza mediante la
para el caso de una persona que utilizó
estupefacientes utilización de dos algoritmos: algoritmo
NaiveBayes y algoritmo
5.5.3 CLASIFICACION CON WEKA
5.5.3. ALGORITMO NaiveBayes
Las siguientes figuran muestran los
atributos del modelo, la frecuencia y La primera clasificación realizada es
categorías para el atributo seleccionado y mediante el algoritmo NaiveBayes
las estadísticas del atributo seleccionado obteniendo los siguientes resultados:
respectivamente.
Figura 10. Número y porcentajes de las instancias
clasificadas correcta e incorrectamente.
Figura 7. Atributos del modelo Figura 11. Matriz de confusión
Figura 12. Detalle de la exactitud de las clases
Figura 8 . Frecuencia y categorías para el atributo

9. Figura 17. Ejecución de la aplicación
5.5.5. MINIMIZACION DEL MARGEN DE
5.5.4. ALGORITMO BayesNet ERROR DE LOS ALGORITMOS BAYESNET Y
NAIVEBAYES
La segunda clasificación realizada es Mediante la simulación realizada en el
mediante el algoritmo BayesNet obteniendo programa Weka se pueden resumir los
los siguientes resultados: siguientes resultados en cuanto a las
instancias clasificadas.
BayesNet Vs NaiveBayes
Algortimo Instancias Instancias
correctamente Incorrectamente
Figura 13. Número y porcentajes de las instancias
clasificadas clasificadas
clasificadas correcta e incorrectamente.
BayesNet 34 (79%) 9 (21%)
NaiveBayes 29 (67%) 14 (32%)
Tabla 1. Porcentaje de instancias correctamente
clasificados por los algoritmos de clasificación en el set de
datos experimentales
Se puede observar además que el algoritmo
BayesNet presenta un mejor desempeño que
el algoritmo NaiveBayes; aunque aún así no
Figura 14. Matriz de confusión
son los resultados deseados en el presente
proyecto.
Para resolver el problema propuesto en éste
artículo es de gran relevancia que el
clasificador construido clasifique de una
manera eficiente y eficaz a las personas
Figura 15 . Detalle de la exactitud de las clases para así obtener el diagnostico ideal.
Como solución al problema se agregaron más
instancias al conjunto de entrenamiento, ,
una vez modificado éste modelo , ya se
puede realizar la inferencia bayesiana sobre
las variables del modelo, obteniendo los
siguientes resultados:
Figura16. Atributos

10. La tabla 2. Muestra un resumen de
resultados obtenidos mediante la
experimentación del modelo de
clasificación:
Instancias Instancias
correctamente Incorrectamente
Instancias clasificadas clasificadas
BayesNet 44(98%) 1(2%)
NavieBayes 41 (91%) 4 (8%)
NavieBayes 44(98%) 1(2%)
(userSupervised
Discretization)
Figura 17. Resultados del algoritmo BayesNet con menor tasa de Tabla 2. Porcentaje de instancias correctamente
error clasificados por los algoritmos de clasificación en el set de
datos experimentales modificados
La clasificación utilizando el algoritmo
NavieBayes, presenta los siguientes Se puede observar que el algoritmo
resultados: BayesNet al igual que en la experimentación
anterior obtuvo mejores resultados, aunque
mediante la utilización de un estimador de
clases “userSupervisedDiscretization”, se llegó a
obtener los mismos resultados, es decir se
minimizó a cabalidad el margen de error en
el modelo propuesto. Obteniendo así un
clasificador con un margen de error del 1%.
Con un gran margen de credibilidad.
6. TRABAJOS RELACIONADOS
Figura 17. Resultados del algoritmo Naviebayes con menor tasa de
error
Entre los trabajos relacionados con la
clasificación mediante el uso de redes
Aun mas, mediante la utilización del bayesianas se pueden citar los siguientes:
estimador de clases
“userSupervisedDiscretization” en el
algoritmo NavieBayes, se puede minimizar - CLASIFICACION DE LEUCOCITOS MEDIANTE
más la tasa de error, ésta clase convierte los REDES BAYESIANAS.- este es un proyecto de
atributos numéricos a atributos nominales. tesis realizado por Lucio Jiménez Díaz en
Se obtienen los siguientes resultados: [4]. Fue realizado con la finalidad de
desarrollar un clasificador de leucocitos ya
que la clasificación manual es una tarea
engorrosa que sigue existiendo en algunos
laboratorios clínicos. Este clasificador
comprende las etapas: obtención de
imágenes, segmentación, extracción de
características y clasificación. En este
proyecto el autor concluye que es posible
adaptar redes bayesianas de tal forma que
permitan obtener resultados satisfactorios
Figura 17. Resultados del algoritmo Naviebayes con menor tasa de
error utilizando la clase userSupervisedDiscretization incluso cuando los datos con que se cuenta

11. para su aprendizaje estén lejos de ser los incorrectamente que con el algortimo
ideales. BayesNet.
- En [28] los autores realizan el ensamblaje - La implementación de modelo en WEKA
de los algoritmos NeiveBayes y BayesNet
es sencilla y fácil de interpretar y se
utilizando el método Stacked
Generalization, conocido también como realiza a partir de una base de datos ,
Stacking. Este método combina múltiples además brinda mayor información que el
modelos que han sido entrenados para una modelo Elvira ya que éste se realiza a
tarea de clasificación, es decir, combina partir de la construcción de una red para
varios clasificadores para inducir un obtener valores de probabilidad.
clasificador de nivel más alto con un mejor
rendimiento.
- La exactitud de predicción en la
experimentación mediante la utilización
-En la Universidad de TALCA, FRANCISCO de los algoritmos bayesianos puede ser
GABRIEL REYES MATUS se ha realizado un mejorada mediante la utilización de un
sistema de PREDICCION DE RIESGOS EN set de evidencia bastante representativo
PROYECTOS DE SOFTWARE USANDO del problema
MODELOS EN REDES BAYESIANAS.- En este
proyecto se ha construido un software que - Las redes bayesianas han aparecido como
toma los modelos en redes bayesianas, una herramienta muy importante en el
permite el ingreso de evidencias que campo de la clasificación ya que permite
representan un proyecto nuevo y entrega la manipular la información de manera
probabilidad de éxito de éste. [23] flexible debido a que se fomenta en
bases rigurosamente matemáticas.
- CADECEUS Diagnóstico de enfermedades
8. REFERENCIAS
reumáticas. En el área de medicina ha
realizado aplicado también clasificación
mediante este método. Jonh Myres y Harry [1] Guoqiang Peter Zhang.- Neural Networks
Pople en la Universidad de Pittsburgh, puede for Classification: A Survey
diagnosticar enfermedades que no están
relacionadas apelando a la heurística con [2] Priyantha Wijayatunga.- Bayesian
objeto de limitar el campo y extraer networks for classification
información de su gran banco de memoria.
[3] Minoo Aminian, Amina Shabbeer, Kristin
P Bennett.- A conformal Bayesian network
7. CONCLUSIONES for classification of Mycobacterium
tuberculosis complex lineages
- Mediante la implementación de los [4] Lucio Jimenez Diaz.-CLASIFICACI_ON DE
algoritmos Naivebayes y BayesNet en la LEUCOCITOS MEDIANTE REDES BAYESIANAS"
clasificación del modelos se ha
comprobado que el algoritmo BayesNet [5] Mar Abad Grau, María Visitación Hurtado
ha dado menos errores, es decir que en Torres, Rosana Montes Soldado, Miguel J.
la implementación de NaiveBayes Hornos Barranco.- LAS REDES BAYESIANAS
existieron más instancias clasificadas COMO SISTEMAS DE SOPORTE A LA DECISIÓN

12. EN LA EMPRESA
[17] Javier Díez .- ELVIRA
[6] Paul Helman,1 Robert Veroff,1 Susan R.
Atlas,2 and Cheryl Willman3.- Paul Helman,1 [18] G. Holmes; A. Donkin and I.H. Witten
Robert Veroff,1 Susan R. Atlas,2 and Cheryl (1994). «Weka: A machine learning
Willman3 workbench».Proc Second Australia and New
Zealand Conference on Intelligent
[7] Jie Cheng1, Russell Greiner2.- Jie Information Systems, Brisbane, Australia.
Cheng1, Russell Greiner2.- Learning Consultado el 25-06-2007.
Bayesian Belief Network Classifiers:
Algorithms and System [19] Weka,
http://www.cs.waikato.ac.nz/ml/weka/
[20] Angel Kuri, Martha Ortiz, Lucía
[8] Nir Friedman, Moises Goldszmidt- - .-
Castellanos, Carlos Ponce, Christopher
Building Classifiers using Bayesian Networks
Gasca, Oscar Herrera.- Clasificación No
Sesgada de Proteínas con Redes Neuronales
[9] Carlos López de Castilla Vásquez.-
y Computación Evolutiva
CLASIFICADORES POR REDES BAYESIANAS
[21]Pablo Ezequiel FELGAER.- OPTIMIZACIÓN
[10] David A. Velasco Villanueva.- RREDES DE REDES BAYESIANAS BASADO EN TÉCNICAS
BAYESIANAS DE APRENDIZAJE POR INDUCCIÓN
[11] Robin hanson, John Stutz, Peter [22] Fausto Andrés Monreal, WEKA
Cheeseman .- Bayesian Classification Theory
[23] FRANCISCO GABRIEL REYES MATUS.- “
UNA HERRAMIENTA PARA LA PREDICCION DE
[12] Constantino Malagón Luque.- RIESGOS EN PROYECTOS DE SOFTWARE
Clasicadores bayesianos. El algoritmo Naïve USANDO MODELOS EN REDES BAYESIANAS”
Bayes
[24] David A. Velasco Villanueva.- Redes
[13] Bayesian Networks en diagnóstico Bayesianas
psiquiátrico o psicopatológico. Lic. Mariano
[25] Jiakai Li, Gursel Serpen, Steven Selman,
Acciardi. http://www.marianoacciardi. Matt Franchetti, Mike Riesen and Cynthia
com.ar/textos_ia/BN1.pdf Schneider .- Bayes Net Classifiers for
Prediction of
14] Redes Bayesianas en Minería de Datos. Renal Graft Status and Survival Period
http://ccc.inaoep.mx/~emorales/Cursos/Nv
oAprend/node68.html [26] Remco R. Bouckaert.- Bayesian Network
Classfiers in Weka
[15] Álvaro Marín Illera, Sistemas Expertos,
Redes Bayesianas y sus aplicaciones. [27] Ramírez López, Leonardo.- Modelo de
http://www.e- clasificación de arritmias mediante técnicas
ghost.deusto.es/docs/2005/conferencias/Ba de aprendizaje de máquina.
yes05.pdf
[28] Roberto Portugal & Miguel A. Carrasco
.- ENSAMBLE DE ALGORITMOS BAYESIANOS
[16] Carmen Lacave – UCLM, Fco. Javier Díez CON ÁRBOLES DE DECISIÓN, UNA
– UNED.- Elvira 0.11. Graphical User ALTERNATIVA DE CLASIFICACIÓN.
Interface