Optimisation de la recherche d’un cas Bayésien
No Thumbnail Available
Date
2013
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Le Raisonnement à Partir de Cas (RàPC) est une approche de résolution de problèmes
basée sur la réutilisation par analogie des expériences passées nommées « cas ». La
remémoration des cas est une étape primaire dans le cycle RàPC et la mesure de similarité
joue un rôle très important dans la recherche des cas. L’étape d’adaptation est considéré une
des étapes les plus difficiles du cycle RàPC. Nous sommes intéressés à la modélisation de la
phase de la remémoration et la phase d’adaptation appliquée au diagnostic des pathologies
hépatiques. L’idée principale consiste à modéliser la base de cas par un réseau Bayésien. Les
réseaux Bayésiens sont d’excellents outils de modélisation de l’incertain grâce à leur
représentation graphique claire et aux lois de probabilités conditionnelles définies sur ce
graphe. En effet, la phase de remémoration consiste à sélectionner le cas le plus similaire à
travers d’une mesure de similarité Log-linéaire. Par ailleurs, la phase d’adaptation consiste à
fournir une solution cible au problème cible à partir du cas remémoré. La dépendance entre
ces deux phases est définie par deux mesures à savoir: une mesure de similarité et une mesure
d’adaptation. Cette dépendance a pour objectif de garantir la recherche d’un cas qui soit le
plus facile à adapter afin d’améliorer la performance du RàPC. Les performances de
l’utilisation des Réseaux Bayésiens sont évaluées sur une base de cas des maladies du foie les
plus fréquentes. Les résultats obtenus sont satisfaisants et montrent l’efficacité de réseaux
Bayésiens comme un cadre de représentation des connaissances médicales et comme outil de
raisonnement diagnostique.