albacete, 2002 diagramas de influencia en elvira ii
Post on 27-Jan-2016
233 Views
Preview:
TRANSCRIPT
Albacete, 2002
Diagramas de influencia enElvira II
Albacete, 2002
ÍNDICE
1.- Diagramas de Influencia
2.- Métodos de evaluación
3.- Clases disponibles
4.- Asimetrías
5.- Aproximación
Albacete, 2002
1.- Diagramas de influencia
Los diagramas de influencia permiten representar problemas de decisión, tal y como los percibe el decisor. Permiten tanto representar la información del problema como abordar su análisis
Los diagramas de influencia son grafos dirigidos y acíclicos, con tres tipos de nodos:
•nodos de azar
•nodos de decisión
•nodos de valor
Albacete, 2002
1. Diagramas de Influencia (II)
Nodos de azar: variables aleatorias o eventos aleatorios influyentes en el proceso de toma de
decisión. Si el nodo es determinístico, su valor queda determinado en función de
los valores de sus padres
Nodos de decisión: variables bajo control del decisor
Nodos de valor: cuantifican las preferencias de los expertos
Albacete, 2002
1. Diagramas de Influencia (III)
Los arcos entre nodos representan las relaciones entre sus variables asociadas, y pueden ser:•informativos: inciden sobre nodos de decisión. Informacióndisponible en el momento de decidir
•condicionales: inciden sobre nodos de azar y sobre el nodo deutilidad. Representan dependencia probabilística (o funcional)entre nodos (y no necesariamente causalidad)
Tratamiento
CBrb Ingreso
EdadPeso
CBrbCHmg
Enf1 Enf2
Daño
EdadPeso
Albacete, 2002
Coste
total
Coste1
Coste2
Coste3
Distribuciones: P(Coste 1|.....)P(Coste 2|.....)P(Coste 3|.....)
Función: Coste totalk1*(Coste 1) + k2*(Coste 2) + k3*(Coste 3)
V1 V2 V3
D1
D2
Utilidad V1 V2 V3 D1 D2------------------------------------------- 100 v11 v21 v31 d11 d21 39 v11 v21 v31 d11 d22..........................................................
45 v1n v2m v3p d1q d2r
1. Diagramas de Influencia (IV)
Albacete, 2002
Métodos de evaluación
- evaluación directa (Shachter, Shachter y Peot, Zhang y
Poole, Zhang et al, etc). Idea original: Olmsted (1983)
- evaluación indirecta : transforman previamente el DI en
alguna otra estructura : árboles de decisión, grafos de de-
cisión, redes bayesianas, ... (Howard y Matheson, Cooper,
Qi y Poole, Qi, etc)
1. Diagramas de Influencia (V)
Albacete, 2002
2.- Métodos de evaluaciónA) Método de inversión de arcos
Mientras haya antecesores del nodo de valor
- Eliminar nodo de azar
(herencia sobre el nodo de valor)
xx
vv '
X
A B
U
A B
UU(X) U(A,B))
Albacete, 2002
- Eliminar nodo de decisión: vxv max '
A BU
XC
A BU
C
U(X, A, B) U(A, B)
Sumidero
2. Métodos de evaluación (II)
Albacete, 2002
- Invertir arco:
A B
D
C
F
EU
A B
D
C
F
EU
P(A|C, D)P(B|A, E, F)
P(A|B, C, D, E, F)P(B|C, D, E, F)
iixFEABPDCAPFEDCBP
FEDCBP
FEABPDCAPFEDCBAP
),,|(),|(),,,|(
),,,|(
),,|(),|(),,,,|(
2. Métodos de evaluación (III)
Albacete, 2002
B) Método de eliminación de variables
- Determinar orden temporal, en función de los arcos informativos
nn IDIDI ...110
In: los nodos que no son antecesores de ningún nodo de decisión
In-1: nodos antecesores de Dn
.......................................................
I0: nodos antecesores de D1
2. Métodos de evaluación (IV)
Albacete, 2002
Se van seleccionando variables a eliminar respetandoel orden parcial anteriormente determinado. Cuandose selecciona una variable X, los potenciales se actualizan de la siguiente forma:
}|{
}|{
domX
domX
X
X
Si X es una variable de azar:
)(
XX
XX
XXX
2. Métodos de evaluación (V)
Albacete, 2002
2. Métodos de evaluación (VI)
Si X es una variable de decisión:
)(
XXXX
XXX
max
max
El conjunto final de potenciales, tras la eliminación deX queda:
X
XX
XX
}\{
}{}\{
Albacete, 2002
3.- Clases disponibles en Elvira
A) Clase IDiagram
Bnet
IDiagram
- Comprobación de características y acceso a nodos:a) hasCyclesb) directedLinksc) pathBetweenDecisionsd) onlyOneValueNode
e) numberOfDecisionsMétodos f) decisionReadyToRemove
g) firstDecisionh) getDecisionListi) getBarrenNodej) getValueNodek) getNodel) getProblemSize
Albacete, 2002
- Manipulación sobre el DI:
m) addNonForgettingArcsn) eliminateRedundancyñ) removeBarrenNodeso) addLinks
Métodosp) copyq) qualitativeCopyr) evaluate (mediante ArcReversal)s) savet) print
3. Clases disponibles en Elvira (II)
Albacete, 2002
B) Clase ArcReversal
3. Clases disponibles en Elvira (III)
Propagation
ArcReversal
- Constructores:
a) ArcReversal()b) ArcReversal(IDiagram)
- Comprobación de características y acceso
c) getInitialRelationsMétodos d) initialConditions
- Evaluación y manipulación del DI
e) evaluateDiagramf) removeChanceNodeg) removeDecisionNodeh) reverseArci) modifyUtilityRelationj) modifyUtilityLinks
IDiagram
RelationList
Albacete, 2002
3. Clases disponibles en Elvira (IV)
- Evaluación y manipulación del DI
k) modifyRelations l) modifyLinks m) getExpectedUtility n) maximizeUtility ñ) getPosteriorDistributions o) storeDecisionTable p) giveInstantiationOrder q) getMarginalsNames r) checkInstantiationOrder s) variablesInDecisionTables
Albacete, 2002
C) Clase QualitativeArcReversl
3. Clases disponibles en Elvira (V)
Propagation
ArcReversal
QualitativeArcReversal
- Constructores:
a) QualitativeArcReversal(IDiagram)
- Acceso a datos miembro
b) getOrderOfEliminationMétodos c) getOrderOfInstantiation
- Evaluación y manipulación del DI
d) produceOrderOfInstantiatione) evaluateDiagram
f) removeChanceNodeg) removeDecisionNodeh) reverseArc
Albacete, 2002
D) Clase ARWithPotentialTree
3. Clases disponibles en Elvira (VI)
Propagation
ArcReversal
ARWithPotentialTree
- Constructores:
a) ARWithPotentialTree(IDiagram)
- Transformación de relacionesMétodos
b) transformInitialRelations: Este método convierte los valores de utilidades y probabilidades de PotentialTable a PotentialTree (con la posibilidad de aplicar los métodos de árboles que permiten aproximar)
Albacete, 2002
E) Clase VariableElimination Funcionalidad compartida para redes Bayesianas y diagramas de influencia
3. Clases disponibles en Elvira (VII)
- Métodos relacionados con DI
a) getPosteriorDistributionsIDb) combinePotentialsOfNodec) propagate
Incorporación de método nextToRemoveId en la clase PairTable, que determina la próxima variable a eliminar.
Este método de evaluación no altera la estructura del diagrama: trabaja con sus potenciales, sobre una copia de las relaciones.
Propagation
VariableElimination
Albacete, 2002
F) Clase VEWithPotentialTree
3. Clases disponibles en Elvira (VIII)
Propagation
VariableElimination
VEWithPotentialTree
- Constructores:
a) VEWithPotentialTree(Bnet,Evidence)a) VEWithPotentialTree(Bnet)
- Transformación de relacionesMétodos
b) transformInitialRelations: Este método convierte los valores de utilidades y probabilidades de PotentialTable a PotentialTree (con la posibilidad de aplicar los métodos de árboles que permiten aproximar)
Albacete, 2002
4.- AsimetríasDado un valor de un nodo X el nodo Y sólo puede tomar ciertos valores. La restricción origina una matriz de restricciones MR(X,Y).
Y1 Y2 ....... Yn
------------------------------------------- X1 1 0 ....... 0 X2 1 1 ....... 0..........................................................
Xm 0 1 ....... 1
El tratamiento de las restricciones simplifica la evaluación
Albacete, 2002
Asimetrías en Elvira:
a) forma general, de modo que se pueda expresar cualquier tipo de relación. Expresiones lógicasb) las restricciones, asimetrías, se convierten en potenciales que se utilizan en la evaluación del DIc) al usar árboles se pueden producir podas
4. Asimetrías (II)
Albacete, 2002
ValuesSet
Node
Permite definir un conjunto de valores para un nodo (debenestar incluidos en su dominio, aunque también pudiera servacío). El tipo de operación a realizar se reduce a ver si unvalor para la variable está incluido en este conjunto.
Es decir, dado un valor xi para la variable X, esta clasepermite determinar si
Se puede establecer un flag de negación, de forma que lacomprobación a realizar sería:
Clases para tratar las asimetrías
A) ValuesSet
Vector},...,{ 1 ki xxx
}),...,{( 1 ki xxx
4. Asimetrías (III)
Albacete, 2002
Datos miembro:
a) Node nodeb) Vector valuesc) boolean negated
Métodos:
a) Constructor (Node, Vector, boolean)b) checkValue (String)
Este es el elemento básico que permite componer expresiones lógicas,mediante las clases LogicalNode y LogicalExpression
4. Asimetrías (IV)
Albacete, 2002
LogicalNode
ValuesSet
Datos miembro:
a) int kind (si el nodo es operador u operando) b) int operator (clase de operador: AND, OR, NOT, etc) c) boolean negated d) LogicalNode leftOperand e) LogicalNode rightOperand f) ValuesSet valuesSet g) Vector variables h) Vector index i) boolean result j) int observedValue
B) LogicalNode
Vector LogicalNode(operator)
LogicalNode(operand)
LogicalNode(operand)
4. Asimetrías (V)
Albacete, 2002
Métodos:
a) Constructor (int operator)b) Constructor (ValuesSet values)c) indexVariablesd) evaluateConfiguration
La idea es que esta clase permita crear objetos que representen relacioneslógicas entre variables, para expresar las relaciones que se pueden establecerentre las variables del modelo. Por encima de esta clase está LogicalExpression,que vincula dos relaciones lógicas en el esquema clásico
antecedente consecuente
El antecedente y el consecuente son objetos de la clase LogicalNode
4. Asimetrías (VI)
Albacete, 2002
LogicalExpression
LogicalNode
Datos miembro:
a) LogicalNode consecuent b) LogicalNode antecedent c) int operator d) Vector index e) PotentialTable result
C) LogicalExpression
Vector
LogicalExpression(operator)
LogicalNode(antecedent)
LogicalNode(consecuent)
4. Asimetrías (VII)
Potential
PotentialTable
Albacete, 2002
Métodos:
a) Constructor (LogicalExpression, LogicalExpression)b) Constructor (LogicalNode, LogicalNode, int)c) evaluated) buildIndex
El resultado es un PotentialTable que contiene todas las configuraciones válidassegún esta restricción. Del PotentialTable se puede pasar fácilmente a unPotentialTree, de forma que se pueda incorporar a la evaluación de DI medianteárboles. Para mejorar el tratamiento de las restricciones se debería hacer unapoda del PotentialTree, de forma que se redujera al máximo su tamaño y laexpresión de la restricción fuera lo más compacta posible.
4. Asimetrías (VIII)
Albacete, 2002
Expresión de restricciones
Relation var1 var2 var3 var4{ kind=constraint; values=logical-expression (var1={var11,var12} & !(var2={var21} | var3 != {var33}) -> var4={var41});}
también podría ser una doble implicación: <->
4. Asimetrías (IX)
Albacete, 2002
5.- Aproximación
En problemas complejos, pese a aprovechar todo elconocimiento del problema, los potenciales obtenidospueden ser enormes. En esta situación se puedeaprovechar el uso de árboles reduciendo el número dehojas mediante aproximación.
La idea consiste en organizar el árbol, de forma quelas variables más significativas aparezcan cerca dela raíz del árbol, de forma que si se produce una podase pierda la menor información posible.
Albacete, 2002
Árboles de probabilidad:
medida de significación: distancia de Kullback-Leibler
Árboles de utilidad:
medida de significación: métrica L2 (raíz cuadrada de las diferencias al cuadrado entre las utilidades de las configuraciones en los árboles podado y expandido)
X
Y Y
100 35 9 97
x1 x2
y1 y2 y1 y2
X
67’5 53
x1 x2Y
54’5 66
y1 y2
5. Aproximación (II)
Albacete, 2002
X
Y Y
100 35 9 97
x1 x2
y1 y2 y1 y2
X
67’5 53
x1 x2
35'779753953355'671005'67 2222
Y
54’5 66
y1 y2
86'779766356695'541005'54 2222
5. Aproximación (III)
Albacete, 2002
5. Aproximación (IV)
La inclusión de restricciones limita el tamaño del modelo,al indicar las configuraciones admitidas y prohibidas.
Al aproximar un árbol hemos de ordenar en significaciónlas variables que participan en él. Esta información quizáspuede utilizarse como explicación en las tablas de decisión,indicando qué variables resultan más significativas para lavaloración del proceso de toma de decisiones.
Albacete, 2002
Albacete, 2002
Albacete, 2002
Primeradecisión
Segunday tercera decisiones
Cuartadecisión
Quintadecisión
no ingresoingreso+foto6ingreso+foto12ingreso+foto 24ingreso+t. ajena
nulaobservación+altaobservaciónobservación+t. ajenafoto6foto12hfoto24foto6+exanguino+foto 6foto12+exanguino+foto12
nulaobservación+altaobservación+t. ajenafoto6foto12foto24
nulaobservación+altaobservación+t. ajena
Alternativas para las decisiones
Asimetrías: válidas 12.58% de combinaciones
3. Estructuración del problema (VII)
Albacete, 2002
Albacete, 2002
Albacete, 2002
4.- Adquisición del conocimientoA) INCERTIDUMBRE
Fuentes: principalmente entrevistas con los expertosMetodología: protocolo SRI, procedimiento formal para la codificación de probabilidades a partir de entrevistas estructuradas.Objetivo: eliminar las posibles inconsistencias y sesgos en los juicios de los expertos.Entrevistas: motivación, estructuración, condicionamiento, asignación, verificación y agregación de juicios
Variables de azar: 68 Variables de decisión: 5Probabilidades: 13521 parámetros Utilidades: 5400 parámetros
Albacete, 2002
Mecanismos usados para simplificar la asignación
1) Discretización de variables (a propuesta de los expertos)2) Modelos de agregación parcial, mediante variables intermedias
4. Adquisición del conocimiento (II)
42525 parámetros. Con restricciones: 5350. Con modelo final: 700
Albacete, 2002
4. Adquisición del conocimiento (III)
3) Reglas cualitativas. Conocimiento sobre el problema Ejemplo:
CEco123 CEco12
CEco123
CEco12Terapia3 = t3i
1
2
3
4
5
1 2 3 4 5
Parámetros que no hayque asignar
Albacete, 2002
4. Adquisición del conocimiento (IV)
4) Modelos causales. Formas prototipo de agregación de probabilidades. Puerta-OR y Puerta-OR graduada (Pearl, 1988; Henrion, 1989; Díez, 1993; Pradhan et al., 1994)
C1 C2 Ck
X
C: configuración de valores para todas las causas
1)ausentes|ausente( CXP
i
iii CcCxXPCxXP )ausentes,|()|(
Condiciones de la OR-graduada:a) En ausencia de causa no hay efectob) Causas actuando independientementec) grado de X es el máximo de los grados producidos por las causas actuando de forma independiente
Albacete, 2002
4. Adquisición del conocimiento (IV)
Reducción en número de parámetros gracias al uso de las puertas-OR
Total (9216)
Con P-OR (153; 1.66 %)
Probabilidades: 13521 parámetros
Formas de obtención:
- historias clínicas y bibliografía médica (sólo 3.12% del total)- juicios subjetivos (96.88%)
El uso de puertas-OR supone unnotable ahorro. En las distribucionesen que se usa se necesitaría laespecificación de 9216 parámetros.Con este mecanismo basta con163 (el 1.66 % del total)
Relación objetivas/subjetivas
Objetivas (3.12 %)
Subjetivas (96.88 %)
Albacete, 2002
5.- Implementación de IctNeo
PROBLEMAS:
A) Representación del conocimiento: gramática y compilador
B) Evaluación del modelo: espacio de memoria - tiempo
b1) Evaluación cualitativa: heurísticas + genético
b2) Evaluación cuantitativa: eliminación de redundancia + restricciones + instanciación + recursividad
SOLUCIÓN:
C) Arquitectura general del sistema
Albacete, 2002
A) Representación del conocimiento: gramática y compiladorDiagrama nombre_diagrama{ Objeto NodoAzar1 { codigo=1;
tipo=VARIABLE;discreta=_SI;valores=(valor 1, valor 2, ....., valor n);padres=(); /* Nodo sin padres */probs=(P(1)=0.3, P(2)=0.05, ..... P(n)=0.24);
} ............................................................................... Objeto Decisión1 { codigo=70;
tipo=DECISIÓN;valores=(alternativa1, alternativa2);padres=(NodoAzar1, NodoAzar2);
} Objeto NodoUtilidad { codigo=71;
tipo=UTILIDAD;discreta=_SI;padres=(NodoAzar1, NodoAzar2, Decision1);utilidades=(U(1,1,1)=100, ..... U(n,m,2)=34);
}}
5. Implementación de IctNeo (II)
Albacete, 2002
B) Evaluación del modelo: espacio de memoria necesario para evaluar el modelo y almacenar los resultados
b1) Evaluación cualitativa: heurísticas + genético
b2) Evaluación cuantitativa: eliminación de redundancia + restricciones + instanciación + recursividad
b1) Evaluación cualitativa: Sólo se realizan las operaciones de modificación de la estructura del DI (no se actualizan probabilidades ni utilidades). Escaso coste computacional. Permite validar el modelo y estudiar las secuencias de borrado.
5. Implementación de IctNeo (III)
Albacete, 2002
Orden de borrado: afecta al coste computacional de la evaluación.Problema NP-completo. Heurísticas: Kong, 1986; Ezawa, 1986, etc.
No dan resultados aceptables en problemas de gran tamaño o sonde difícil aplicación. Alternativas: intento de búsqueda exhaustivay algoritmo genético
DI Original (DI1)
DI12DI11
op11 op12
op13
DI112 DI113=DI121
op111
DI122
op121 op122 Ya que DI113 = DI121 selecc. orden(op11-op113) o (op12-op121) con
necesidades de almac. mínimas
Op: operaciónSecuencia óptimade operaciónOperación descartadaOperación seleccionada
op112
op113
necesarios criterios de poda
5. Implementación de IctNeo (IV)
Albacete, 2002
Algoritmo genético: evidencia empírica sobre obtención de solucionesaceptables en tiempos razonables (Mitchell, 1998)
• Individuo: cada secuencia de operaciones para evaluar el DI
• Operadores específicos de cruce y mutación
• Dependencias entre los nodos.
• Individuos que implican evaluación con menor coste computacional tienen más probabilidad de propagar sus genes
Mejora la solución aportada por las heurísticas y permite obtenersecuencias válidas para problemas de gran tamaño
5. Implementación de IctNeo (V)
Albacete, 2002
b2) Evaluación cuantitativa:
Realiza cambios estructurales y cuantitativos, actualizando valores de probabilidades y utilidades. Gran coste computacional. Como resultado proporciona las políticas óptimas
a) Eliminación de redundancia (Fagiuoli y Zaffalon, 1998)
5. Implementación de IctNeo (VI)
D1 D2 Dk
D1 D2 Dk
Dk
Albacete, 2002
b) Restricciones: Dado un valor de un nodo X el nodo Y sólo puede tomar ciertos valores. La restricción origina una matriz de restricciones MR(X,Y).
Y1 Y2 ....... Yn
------------------------------------------- X1 1 0 ....... 0 X2 1 1 ....... 0..........................................................
Xm 0 1 ....... 1
Restricciones +, -, *
La existencia de restricciones simplifica la evaluación
5. Implementación de IctNeo (VII)
Albacete, 2002
c) Instanciación: Reducir el tamaño del problema reduciendo la incertidumbre (Ezawa, 1998)
x1 x2 x3
e1
e2
e3
0.20.70.1
0.10.40.5
0.30.10.6
X = x1
x1 x2 x3
a1
a2
a3
0.10.90
0.20.20.6
0.80.10.1
P(A|X)
A
X = x1
FG
E
B A
FG
E
B
P(E|X)
Incorporación de evidencia sobre X (X = x1)
5. Implementación de IctNeo (IIX)
Descomposición del problema original en subproblemas
Albacete, 2002
e) Recursividad: tiempo de cálculo por espacio de almacenamiento
- DTer, DHBRb fu(Dter,DHBrb) (+)- DTer P(DTer|DTer1,DTer2)
- DTer1, DTer2, DHBRb fu(DTer1,DTer2,DHBrb) (-)- DTer 1 P(DTer1|Terapia1)
- DTer2, DHBrb, Terapia1 fu(DTer2, DHBrb, Terapia1) (-) DHBrb P(DHBrb| DHBrb1, DHBrb2)
- DTer2, DHBrb1, DHBrb2, Terapia1 fu(DTer2, DHBrb1, DHBrb2, Terapia1) (-) DHBrb1 P(DHBrb1| CBrb1, EH1)
-DTer2, DHBrb2, Terapia1, CBrb1, EH1 fu(DTer2, DHBrb2, Terapia1, CBrb1, EH1) (-) DHBrb2 P(DHBrb2| CBrb2, EH2)
0
2E+15
4E+15
6E+15
8E+15
1E+16
1,2E+16
1,4E+16
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67
5. Implementación de IctNeo (IX)
Operacióna
realizar
Albacete, 2002
Evaluador
Compilador
Ficherode
sintaxis
Eliminaciónde
redundancia
Solución con mínimo requerimiento de espacio de memoria
Interfaz de usuario: sistema de consulta y explicación
Datos clínicosconsiderados
Criterios deexplicación
CódigoObjeto
Evaluacióncualitativa:
genético
Evaluacióncuantitativa:restricciones,recursividad,instanciación,
KBM2L
Base deconocimiento
Nombre:
Edad:
Peso.............................
CHgb1:
CHgb2:
CHgb3.............................
Ayudade
IctNeo
Historiasclínicas
5. Implementación de IctNeo (X)
C) Arquitectura general del sistema
Albacete, 2002
6.- ResultadosTablas de decisión de enorme tamaño: orden de 1017 valores parala mayor de ellas.
Condición de no olvido: alternativa LIMIDS (condición rechazadaen el caso médico)
Para poder evaluar se necesitan todas las técnicas vistas:
- búsqueda orden de borrado- eliminación de redundancia- restricciones- recursividad- instanciación integración con KBM2L
Albacete, 2002
Instanciación: selección de variables a instanciar. 18 representandolos datos administrativos que siempre van a estar disponibles. Consus dominios, representa resolver 42.467.328 modelos simplificados.
Simplificación: raza de la madre,niños nacidos a término, testexactos
Al final se necesitan resolver 165.888 instancias. Las tablas generadasen cada evaluación contienen 3,13*107 valores. Tiempo total decomputación (usando 4 máquinas) ~ 5000 horas
Tablas resumidas mediante KBM2L: permiten evaluar el problemacompleto de forma incremental, ahorra espacio de almacenamientoy sirve como forma de explicación.
6. Resultados (II)
Albacete, 2002
a) Situación clara de no ingreso. - Concentraciones (nivel no patológico)b) Situación dudosa de ingreso. - Concentraciones: valores algo elevados - Buen estado del paciente: tests Coombs negativos, buen valor test de Apgar, no asfixia perinatal - Coste social, coste emocional, riesgo ingresoc) Ingreso + observación - Concentraciones (niveles patológicos) - Coloración amarillenta apreciable - Buen estado del paciented) Ingreso + fototerapia - Concentraciones - mal estado del paciente - presencia de isoinmunización
6. Resultados (III)
Ejemplo de perfil
Albacete, 2002
Edadgestacional
Prem aturo
I ngreso
CBrbCHgb
No
pa
toló
gic
os
No
in
gre
so
APTChI G
TChI RhTCm I Rh
EH
I ct, TA5TpH, PI ,
TRe
CSocN
o i
so
inm
un
iza
ció
n
Iso
inm
un
iza
ció
n PN
TA5, TpH, PI , TRe
6. Resultados (IV)
Albacete, 2002
Validación: durante la construcción del modelo y con un modeloestable ya disponible.
- Construcción del modelo: evaluación cualitativa- Modelo estable: análisis de sensibilidad
Diagramas tornado EVPI sobre diagrama reducido - simulación Montecarlo variando valores de los parámetros considerados (de acuerdo a ciertas distribuciones) - elevado coste computacional - considera cambios en utilidades esperadas y políticas
Conclusiones: gran interrelación entre parámetros considerados. Confirmar la presencia o ausencia de variables con listas KBM2L (pirámide)
6. Resultados (V)
690 695 700 705 710 715 720 725 730 735 740 745 750 755
12x
7x
3x
6x
2K
8x
4x
4K
3K
1K
9x
máxima utilidad esperada
Albacete, 2002
7.- Conclusiones y líneas futurasA) CONCLUSIONES
- Desarrollo de SAD algo muy complejo- Necesidad de aprovechar todo el conocimiento
- Gran esfuerzo para modelizar las preferencias y creencias pero muy útil - Aplicabilidad real de DI y técnicas del AD en problemas complejos
- Evaluación muy costosa: tiempo y espacio- Desarrollo de herramientas útiles y reutilizables
- Resultados validados mediante perfiles de tratamiento- Variables relevantes más allá de las inicialmente usadas
Albacete, 2002
B) LÍNEAS FUTURAS
- Uso de imprecisión en probabilidades- Adaptabilidad de las preferencias- Mejorar mecanismos de búsqueda de secuencias de borrado- Posible manejo de potenciales para facilitar la evaluación- Aproximación de matrices dispersas- Evaluación mediante técnicas de simulación- Mecanismo de explicación- Mecanismo de aprendizaje- Arquitectura paralela de evaluación
7. Conclusiones y líneas futuras (II)
top related