Exploiter tout le potentiel des réseaux bayésiens en écologie prédictive

Résumé

1. Bien que les modèles écologiques utilisés pour faire des prédictions à partir de covariables sous-jacentes aient fait leurs preuves, ils souffrent également de limitations. Ils sont généralement incapables de faire des prédictions lorsque la valeur d'une ou plusieurs covariables est manquante au cours de l'essai. Les valeurs manquantes peuvent être estimées, mais les méthodes sont souvent peu fiables et peuvent entraîner une faible précision. De même, les valeurs manquantes pendant la formation peuvent entraver l'estimation des paramètres de nombreux modèles écologiques. Les réseaux bayésiens peuvent gérer ces problèmes ainsi que d'autres problèmes limitatifs, tels que des covariables fortement corrélées. Cependant, ils sont rarement utilisés à leur plein potentiel.
2. En effet, les réseaux bayésiens sont couramment utilisés pour évaluer les connaissances des experts en construisant le réseau manuellement et en interprétant souvent (incorrectement) le réseau résultant de manière causale. Nous proposons une approche permettant d'apprendre un réseau bayésien entièrement à partir de données observées, sans faire appel à des experts, et nous montrons comment interpréter de manière appropriée le réseau résultant, à la fois pour identifier comment les variables (covariables et cible) sont liées et pour répondre à des requêtes probabilistes.
3. Nous appliquons cette méthode à l'étude de cas d'une infestation par le dendroctone du pin ponderosa et constatons que le réseau bayésien entraîné a une précision prédictive de 0,88 AUC. Nous classons les covariables comme primaires et secondaires en termes de contribution à la prédiction et montrons que la précision prédictive ne se détériore pas lorsque les covariables secondaires sont manquantes et se dégrade à seulement 0,76 lorsque l'une des covariables primaires est manquante.
4. En complément des travaux précédents sur la construction manuelle de réseaux bayésiens, nous montrons que si, au contraire, la structure et les paramètres sont appris uniquement à partir de données, nous pouvons obtenir des prédictions plus précises et générer de nouvelles connaissances sur les processus sous-jacents.