Les réseaux bayésiens

Les réseaux bayésiens consistent à décrire les relations causales entre variables par un graphe. Dans ce graphe, les relations de cause à effet entre les variables ne sont pas déterministes, mais probabilisées. Ainsi, l'observation d'une cause ou de plusieurs causes n'entraîne pas systématiquement l'effet ou les effets qui en dépendent, mais modifie seulement la probabilité de les observer.

L'intérêt particulier des réseaux bayésiens est de tenir compte simultanément de connaissances a priori d'experts (dans le graphe) et de l'expérience contenue dans les données.

Construire un réseau bayésien consiste donc à :

• définir le graphe du modèle ;
• définir les tables de probabilité de chaque variable, conditionnellement à ses causes.

Le graphe est aussi appelé la « structure » du modèle, et les tables de probabilités ses « paramètres ». Structure et paramètres peuvent être fournis par des experts, ou calculés à partir de données, même si en général, la structure est définie par des experts et les paramètres calculés à partir de données expérimentales.

Un exemple simple dans la modélisation des risques : un opérateur travaillant sur une machine risque de se blesser s'il l'utilise mal. Ce risque dépend de l'expérience de l'opérateur et de la complexité de la machine. « Expérience » et « complexité » sont deux facteurs déterminants de ce risque. Ces facteurs ne permettent pas de créer un modèle déterministe. Si l’opérateur est expérimenté et la machine simple, cela ne garantit pas qu’il n’y aura pas d’accident. D’autres facteurs peuvent jouer : l’opérateur peut être fatigué, dérangé, etc. La survenance du risque est toujours aléatoire, mais la probabilité de survenance dépend des facteurs identifiés.

 

(source : Wikipédia)