Python中的贝叶斯网络:构造和抽样
Python中的贝叶斯网络:构造和抽样
提问于 2019-11-30 10:14:36
对于一个项目，我需要创建包含属性之间特定依赖关系的合成分类数据。这可以通过预先定义的贝叶斯网络的抽样来实现。在互联网上进行了一些探索之后，我发现Pomegranate是贝叶斯网络的一个很好的包--就我而言--从这样一个预先定义的贝叶斯网络中取样似乎是不可能的。例如，model.sample()引发了一个NotImplementedError (尽管这解决方案这么说)。
有没有人知道是否存在一个库，它为贝叶斯网络的构建和抽样提供了一个良好的接口？
回答 3
Data Science用户
发布于 2021-01-29 21:17:07
为了用一个具体的例子来解释上面的答案，为了对某人有帮助，让我们从下面的简单数据集开始(有4个变量和5个数据点)：
import pandas as pd
df = pd.DataFrame({'A':[0,0,0,1,0], 'B':[0,0,1,0,0], 'C':[1,1,0,0,1], 'D':[0,1,0,1,1]})
df.head()
# A B C D
#0 0 0 1 0
#1 0 0 1 1
#2 0 1 0 0
#3 1 0 0 1
#4 0 0 1 1 现在，让我们使用石榴的“精确”算法(使用DP/A*学习最佳BN结构)从上述数据中学习贝叶斯网络结构，使用以下代码片段：
import numpy as np
from pomegranate import *
model = BayesianNetwork.from_samples(df.to_numpy(), state_names=df.columns.values, algorithm='exact')
# model.plot()学习的BN结构与相应的CPTs一起显示在下一个图中：
从上面的数字可以看出，它准确地解释了数据。我们可以用模型计算数据的对数可能性，如下所示：
np.sum(model.log_probability(df.to_numpy()))
# -7.253364813857112一旦了解了BN的结构，我们可以从BN中抽样调查如下：
model.sample()
# array([[0, 1, 0, 0]], dtype=int64)另外，如果我们使用algorithm='chow-liu' (它找到一个具有快速近似的树状结构)，我们将得到以下BN：
这一次数据的日志可能性是
np.sum(model.log_probability(df.to_numpy()))
# -8.386987635761297这表明exact算法找到了较好的估计值。
Data Science用户
发布于 2020-05-24 15:27:51
请使用函数from_samples()从数据构建贝叶斯n/w。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/64019
复制相关文章
相似问题
腾讯云开发者
