Framework de nettoyage de données incomplètes basé sur les réseaux bayésiens.

Abstract

Les données issues du monde réel ne sont pas toujours complètes ce qui constitue un problème majeur puisque l'information à disposition est incomplète et donc moins fiable et ceci semble constituer un phénomène aussi imprévisible qu'inévitable. Ce phénomène se manifeste lorsque les valeurs n'ont pas pu être observées, elles ont été perdues ou elles n'ont pas été enregistrées. Notre projet s'inscrit dans le cadre du traitement de ces données incomplètes. Il existe une abondante littérature sur les méthodes de traitement des données incomplètes. Dans notre travail, nous allons utiliser la méthode d'imputation à travers les réseaux bayésiens en passant par les étapes suivantes : apprentissage de la structure en utilisant l'approche de Friedman et Goldszmidt, l'apprentissage des paramètres et pour finir l'inférence pour pouvoir imputer les données incomplètes. MOTS-CLES : Données incomplètes, Réseaux bayésiens, Apprentissage structure, Inférence, Imputation.